Instituto Politécnico Nacional Caracterización y predicción

Instituto Politécnico Nacional
Centro de Investigación en Computación
Secretaría de Investigación y Posgrado
Caracterización y predicción espacio-temporal
de patrones delictivos
mediante modelos lógico-combinatorios.
TESIS
QUE PARA OBTENER EL GRADO DE
MAESTRO EN
CIENCIAS DE LA COMPUTACIÓN
PRESENTA
ING. MIL. VÍCTOR MANUEL MARTÍNEZ
HERNÁNDEZ
DIRECTORES DE TESIS:
DR. SALVADOR GODOY CALDERÓN
DR. FRANCISCO HIRAM CALVO CASTRO
MÉXICO, D.F., DICIEMBRE, 2009.
I
II
III
Resumen
En este trabajo es presentada una nueva metodología para Análisis y Predicción
Delictiva, basada en técnicas de aprendizaje inductivo empleado comúnmente en el área de
Reconocimiento de Patrones. La metodología para Análisis Delictivo se basa en la
construcción de definiciones inductivas para cada familia delictiva registrada dentro de un
conjunto de datos delictivos; con base en esas definiciones, es posible determinar el
comportamiento de la actividad delictiva dentro de un espacio-tiempo seleccionado.
Posteriormente, se predice la cantidad de hechos delictivos que se espera ocurran, para cada
una de estas familias delictivas, dentro de todas las áreas de una región en estudio. Los
resultados así obtenidos prestan un valioso apoyo para la toma de decisiones de seguridad
pública, permitiendo mejorar la planificación de rutas de patrullaje y la optimización en la
asignación de recursos humanos y / o recursos financieros en esas zonas (y horarios) de
mayor incidencia criminal.
IV
Abstract
A new methodology, for crime-analysis and criminal activity forecast, based
on inductive learning techniques commonly used in pattern recognition is presented.
First, the proposed crime-analysis methodology is based upon the construction of
inductive-definitions for each type of criminal family previously registered in a crime
dataset. Based on these definitions, it is possible to determine the crime behavior
within selected space and time frames; afterwards, a specific criminal activity
forecast is constructed for all areas within the region under study. The results thus
obtained provide valuable support for the public-security decision making process by
allowing decision makers to better plan surveillance patrols and to optimize the use of
human and /or financial resources on those areas (and times) of highest criminal
incidence.
V
Agradecimientos
"Lo poco que he aprendido carece de valor, comparado con lo
que ignoro y no desespero en aprender."
René Descartes
Agradezco a Dios por bendecirme con la vida y permitirme llegar hasta este momento
rodeado de gente maravillosa.
Agradezco enormemente a mi familia, fuente constante de inspiración, amor y cariño. Todo
lo que soy se lo debo a ustedes.
Agradezco de manera muy especial a mis directores de tesis, Dr. Salvador Godoy Calderón
y Dr. Francisco Hiram Calvo Castro, así como, al Dr. Marco A. Moreno Armendáriz, por
todo el apoyo y confianza depositada en mí durante la realización de este trabajo; pero
sobre todo por su amistad, que va mas allá del conocimiento y que se lleva de por vida.
Agradezco a los miembros de mi comité tutorial Dr. Sergei Pavlovich Levachkine, Dr.
Ricardo Barrón Fernández y al Dr. José Matías Alvarado Mentado, por sus valiosas
aportaciones, las cuales me permitieron ver el problema desde diferentes ángulos y lograr
con ello el desarrollo de este proyecto.
Agradezco a todo el personal administrativo de este centro de estudios y de manera muy
especial al Departamento de Tecnologías Educativas, quienes están constantemente en mis
oraciones.
Aquellas personas con lo que compartí momentos especiales y que me han brindaron su
amistad incondicional: Adriel, Benja, Bryan, Ceci, Chirbuso, Cynthia, Fer, Jesús, Jeanine,
Jenny, Jimmy, Juan, Lily, Mayra, Miguel, Sam, Gaby, Stefi, Gil, Richard, U.V.A., así
como, a los demás compañeros de este centro de investigación.
A mis amigos de toda la vida: Tania, Miriam, Tocayo y Claudia.
Agradezco al Instituto Politécnico Nacional (IPN), al Centro de Investigación en
Computación (CIC), al Consejo Nacional de Ciencia y Tecnología (CONACyT) y a la
Secretaria de Investigación y Posgrado (SIP-IPN), por todo el apoyo otorgado durante la
realización de este trabajo.
Agradezco a la Secretaria de la Defensa Nacional (SEDENA), por la beca de estudios
otorgada para la realización de estudios de posgrado en esta importante institución.
VI
Contenido
Resumen ............................................................................................................................................ IV
Abstract .............................................................................................................................................. V
Agradecimientos ............................................................................................................................... VI
Glosario de Términos ......................................................................................................................... X
Lista de Figuras y Tablas .................................................................................................................. XI
CAPÍTULO UNO Introducción ...................................................................................................... 1
1.1
Contexto y Antecedentes ......................................................................................................... 2
1.2
Planteamiento del Problema .................................................................................................... 3
1.3
Objetivos ................................................................................................................................. 4
1.3.1
Objetivo General ............................................................................................................. 4
1.3.2
Objetivos Específicos ...................................................................................................... 4
1.4
Contribuciones ........................................................................................................................ 5
1.5
Trabajos publicados................................................................................................................. 6
1.6
Organización de la Tesis ......................................................................................................... 6
CAPÍTULO DOS Estado del Arte .................................................................................................. 8
2.1
Criminalística y Criminología ............................................................................................... 10
2.1.1
Criminalística ................................................................................................................ 10
2.1.2
Criminología ................................................................................................................. 10
2.2
Análisis Delictivo .................................................................................................................. 11
2.2.1
Tipos de Análisis Delictivo ........................................................................................... 12
2.2.2
Análisis Delictivo en México ........................................................................................ 13
2.2.3
Sistemas de Análisis Delictivo en el Mundo ................................................................. 17
2.2.3.1 STAC (Spatial and Temporal Analysis of Crime, 1988)............................................... 18
2.2.3.2 CrimeLink (PCI Precision Computing Intelligence 1993)............................................ 19
2.2.3.3 CrimeView (Omega Group 1992)................................................................................. 21
2.2.3.4 ArcGis (Extensión para Análisis Delictivo 2000) ......................................................... 22
2.2.3.5 A.T.A.C (Automated tactical analysis of Crime 2004) ................................................. 24
2.3
Conclusión.............................................................................................................................. 27
CAPÍTULO TRES Marco Teórico ............................................................................................... 28
3.1 Soporte a la toma de decisiones ................................................................................................. 29
3.2 Reconocimiento de Patrones ...................................................................................................... 30
3.2.1 Enfoques en reconocimiento de Patrones ............................................................................. 30
3.2.2 Enfoque Lógico Combinatorio ............................................................................................. 31
3.2.3 Enfoque Estadístico .............................................................................................................. 32
3.3 Aprendizaje Inductivo ................................................................................................................ 34
3.3.1 Algoritmos tipo KORA ....................................................................................................... 35
3.3.2 Algoritmo CR (Conjuntos Representantes) ....................................................................... 37
3.4 Predicción ................................................................................................................................... 39
3.4.1 Series de Tiempo ................................................................................................................. 39
CAPÍTULO CUATRO Análisis y Predicción delictiva. ............................................................. 43
4.1 Modelo de Análisis Delictivo ................................................................................................... 45
4.1.1 Universo de Estudio .......................................................................................................... 45
4.1.2 Proceso de Aprendizaje ..................................................................................................... 45
4.1.2.1 Construcción de una Clasificación de Referencia. ........................................................ 46
4.1.2.2 Construcción de definiciones inductivas. ...................................................................... 46
4.1.2.3 Construcción de una definición neutra. ......................................................................... 48
VII
4.1.2.4 Interpretación ................................................................................................................ 50
4.2. Predicción ............................................................................................................................... 51
4.2.1. Selección de la unidad espacio-temporal a predecir........................................................ 51
4.2.2. Análisis Histórico ............................................................................................................ 51
4.2.3. Análisis del los 12 últimos meses.................................................................................... 52
4.2.4. Predicción Final............................................................................................................... 52
CAPÍTULO CINCO Resultados experimentales ............................................................ 54
5.1
Universo de Estudio .................................................................................................. 55
5.1.1 Sacramento, California, E.U.A. ............................................................................... 55
5.1.2 Consideraciones importantes sobre la base de datos ............................................... 56
5.2
Análisis Delictivo (Experimento 1) ........................................................................... 58
5.2.1
Objetivo del experimento 1 ................................................................................ 58
5.2.2 Construcción de una clasificación de referencia ...................................................... 58
5.3
Predicción delictiva (Experimento 2, 3 y 4) .............................................................. 62
5.3.1
Experimento 2 .................................................................................................... 62
5.3.1.1 Objetivo del experimento 2 ............................................................................... 62
5.3.1.2 Selección de la unidad espacio-temporal a predecir ......................................... 62
5.3.1.3 Análisis Histórico .............................................................................................. 62
5.3.1.4 Análisis del los 12 últimos meses ..................................................................... 63
5.3.1.5 Predicción Final ................................................................................................ 63
5.3.1.6 Evaluación del experimento 2 ........................................................................... 63
5.3.1.7 Conclusiones del experimento 2 ....................................................................... 66
5.3.2
Experimento 3 ............................................................................................................ 66
5.3.2.1 Objetivo del experimento 3 ............................................................................... 66
5.3.2.2 Análisis Histórico .............................................................................................. 66
5.3.2.3 Evaluación del experimento 3. .......................................................................... 66
5.3.2.4 Conclusiones del experimento 3 ....................................................................... 67
5.3.3
Experimento 4 ............................................................................................................ 67
5.3.3.1 Objetivo del experimento 4 ............................................................................... 67
5.3.3.2 Evaluación del experimento 4 ........................................................................... 67
5.3.3.3 Conclusiones del experimento 4 ....................................................................... 68
5.3.4
Experimento 5 ............................................................................................................ 68
5.3.4.1 Objetivo del experimento 5 ............................................................................... 68
5.3.4.2 Consideraciones especiales ............................................................................... 68
5.3.4.3 Análisis del los 12 últimos meses ..................................................................... 68
5.3.4.4 Predicción Final ................................................................................................ 69
5.3.4.5 Predicción bayesiana ......................................................................................... 70
5.3.4.6 Evaluación del experimento 5 ........................................................................... 70
5.3.4.7 Conclusiones del experimento 5 ....................................................................... 71
CAPÍTULO SEIS Desarrollo de Aplicación. .................................................................. 72
6.1
Arquitectura cliente-servidor ..................................................................................... 74
6.2
Base de Datos ............................................................................................................ 75
6.2.1. Diseño de la Base de Datos. ............................................................................... 75
6.2.2. Implementación de la Base de Datos. ................................................................ 76
6.3
Módulos de la aplicación ........................................................................................... 77
VIII
6.3.1. Módulo de inicio de aplicación ............................................................................... 78
6.3.2. Módulo para el Análisis Delictivo .......................................................................... 79
6.3.3. Módulo para la predicción delictiva ....................................................................... 81
6.3.4. Requerimientos de implementación de la aplicación.............................................. 84
CAPÍTULO SIETE Conclusiones y trabajo futuro. ...................................................... 85
7.1 Conclusiones................................................................................................................... 86
7.2 Aportaciones ................................................................................................................... 88
7.3 Trabajo futuro ................................................................................................................. 89
Referencias bibliográficas .................................................................................................... 90
IX
Glosario de Términos
Análisis Delictivo. El conjunto de procesos y análisis sistemáticos dirigidos a proveer
información oportuna y pertinente relativa a hechos y correlaciones de tendencia delictiva a
el personal operativo y administrativo durante la planeación de acciones tendientes a
prevenir y evitar actividades delictivas, ayudar en los procesos de investigación,
incrementar la aprensiones de delincuentes, asignación de recursos y esclarecer los casos.
Criminalística. La Criminalística es una ciencia penal auxiliar, que mediante la aplicación
de sus conocimientos, metodología y tecnología, descubre y verifica científicamente la
existencia de un hecho presuntamente delictuoso y a los responsables, aportando las
pruebas a los órganos que procuran y administran justicia.
Criminología. Ciencia social que estudia la naturaleza, extensión y causas del crimen;
características de los criminales y de las organizaciones criminales; problemas de detención
y castigo de los delincuentes; operatividad de las prisiones y de otras instituciones
carcelarias; rehabilitación de los convictos, tanto dentro como fuera de prisión, y la
prevención del delito.
Sistema de Información Geográfica (SIG o GIS, en su acrónimo en inglés). es una
integración organizada de hardware, software y datos geográficos diseñado para capturar,
almacenar, manipular, analizar y desplegar en todas sus formas la información
geográficamente referenciada con el fin de resolver problemas complejos de planificación y
gestión.
Sistema soporte para la toma de decisiones (SSD o DSS en su acrónimo en inglés). Es
un sistema de información basado en un computador interactivo, flexible y adaptable,
especialmente desarrollado para apoyar la solución de un problema de gestión no
estructurado que mejorar la toma de decisiones. Utiliza datos, proporciona una interfaz
amigable y permite la toma de decisiones en el propio análisis de la situación.
Sitio Web. Conjunto de páginas Web, típicamente comunes a un dominio de Internet o
subdominio en la World Wide Web en Internet.
X
Lista de Figuras y Tablas
Figura 1. Sistema STAC .................................................................................................... 19 Figura 2. Matriz de asociación de CrimeLink ................................................................... 20 Figura 3. Rueda de análisis de patrones ............................................................................ 21 Figura 4. Análisis de llamadas de CrimeLink ................................................................... 21 Figura 5. Sistema CrimeView ........................................................................................... 22 Figura 6. Análisis de focos rojos delictivos (hot spots) de ArcGis ................................... 23 Figura 7. Cálculo de la dirección del delito ....................................................................... 24 Figura 8. Análisis de series de tiempo en el sistema A.T.A.C. ......................................... 25 Figura 9. Integración del sistema A.T.A.C. con Google Earth. ........................................ 26 Figura 10. Análisis de hot spots de A.T.A.C. ..................................................................... 26 Figura 11. Análisis densidad de A.T.A.C. .......................................................................... 27 Figura 12. Vehículos robados durante el 2008 en un Sector de Vigilancia de la ciudad de
Sacramento, California, E.U.A ............................................................................................. 39 Figura 13. Mapa de Sacramento, California E.U.A............................................................. 55 Figura14. División Territorial por sectores de vigilancia de la ciudad de Sacramento,
california, E.U.A................................................................................................................... 57 Figura 15. Arquitectura cliente-servidor empleada ............................................................. 74 Figura 16. Modelo entidad-relación de la aplicación informática desarrollada .................. 76 Figura 17. Módulo integrador.............................................................................................. 79 Figura 18. Parámetros de entrada y salida del módulo de Análisis Delictivo. .................... 80 Figura 19. Parámetros de entrada y salida del módulo de predicción delictiva. ................. 83 Tabla 1 Definiciones Inductivas ...................................................................................... 49 Tabla 2 Octantes horarios ................................................................................................ 59 Tabla 3 Familias delictivas y sus patrones ...................................................................... 59 Tabla 4 Umbrales empleados en la construcción de definiciones inductivas. ................ 60 Tabla 5 Número de propiedades espacio-temporales características positivas y negativas
encontradas. .......................................................................................................................... 61 Tabla 6 Espacio-tiempos afectados por la mayoría de las familias delictivas ................ 62 Tabla 7
Predicción realizada sobre enero del 2009 ......................................................... 64 Tabla 8
Predicción realizada sobre febrero del 2009 ...................................................... 64 Tabla 9
Predicción realizada sobre marzo del 2009 ........................................................ 65 Tabla 10 Predicción realizada sobre abril del 2009 ........................................................... 65 Tabla 11 ECM general para cada uno de los meses predichos. ......................................... 66 Tabla 12 ECM obtenido al reducir la cantidad de años en la base de datos de referencia 67 Tabla 13 ECM obtenido al no considerarse el análisis histórico....................................... 67 Tabla 14 ECM obtenido de cada uno de los algoritmos de predicción propuestos ........... 70 Tabla 15 Número de delitos predichos por cada algoritmo para el mes de enero del 2009
en el Sector de Vigilancia 3A ............................................................................................... 71 Tabla 16 Aportaciones realizadas a dos algoritmos clásicos de aprendizaje. ................... 88 XI
CAPÍTULO UNO
Introducción
Se describe la problemática de inseguridad pública que actualmente vive México, así como
la aportación del presente trabajo de tesis en esta materia.
1
Capítulo Uno
1.1
Introducción
Contexto y Antecedentes
El índice de criminalidad en México ha presentado un crecimiento preocupante durante los
últimos años. El aumento de la delincuencia en el país ha sido de tal magnitud, que ha
ocasionado un fuerte sentimiento de inseguridad entre la población, particularmente en la
del Distrito Federal y en otras ciudades como Ciudad Juárez, Tijuana, Monterrey,
Michoacán, etc. Este fenómeno, no sólo afecta el patrimonio y la integridad física de las
personas, sino también conlleva un deterioro en el estado de derecho, desalienta la
inversión, principalmente la de largo plazo, debilita la base competitiva del sector
productivo nacional y, por ende, disminuye el potencial de crecimiento económico del país
[Coparmex, 2002].
Dado que entre las características inherentes a la existencia de un estado de derecho está el
adecuado control de las actividades delictivas, es fundamental que las autoridades lleven a
cabo un combate eficaz a la delincuencia, con el fin de mantener un ambiente institucional
que propicie la competitividad y el progreso de México.
Actualmente la seguridad pública y el combate a la delincuencia constituyen una de las
mayores preocupaciones sociales no sólo en México sino en todas las grandes ciudades del
mundo. A pesar de la enorme cantidad de recursos, tanto humanos como materiales, que los
gobiernos destinan a este rubro, aún resulta evidente la necesidad de mecanismos
alternativos que permitan volver más eficaz y más eficiente el trabajo de las fuerzas
policiacas. Una de las principales variables que limitan la eficacia y eficiencia de dicho
trabajo es el tiempo de respuesta a los acontecimientos delictivos. Inclusive los mayores
esfuerzos en la creación y administración de cuerpos especiales denominados de “reacción
inmediata” evidencian que la ganancia marginal en ese aspecto siempre resulta insuficiente,
tanto para disminuir el índice delictivo general de la zona, como para modificar
sustancialmente la sensación de inseguridad entre los ciudadanos.
Durante muchos años, las fuerzas policíacas se han concentrado en atender los delitos una
vez que éstos se han cometido. Los delitos son tratados como episodios a ser detectados y,
si de ahí resulta una aprehensión, se dice que el asunto está resuelto. Esta forma de
combatir a la delincuencia es completamente errónea, que sorprende que no existan
reclamos por parte de la sociedad. Es necesario que en la actualidad el combate a la
delincuencia se realice con un enfoque distinto tendiente a la prevención en vez de la
reacción [Arango, 2006].
Cuando los ciudadanos consideran las causas que ocasionan los delito, se tiende a hablar de
ellas como si fueran temas o asuntos distantes que no pueden ser cambiados rápidamente y,
por ello, se espera a que las autoridades vayan actuando, poco a poco, para que dicha
situación se vaya corrigiendo. Bajo este enfoque, se descuidan las causas más inmediatas,
2
Capítulo Uno
Introducción
aquellas que a menudo se pueden modificar con relativa facilidad y sobre las cuales es
posible influir de forma rápida y oportuna, así, no es una exageración señalar que las
acciones efectivas en el combate a la delincuencia, están alrededor de nosotros, la mayoría
de las veces al alcance de la mano, y que sólo esperan a ser descubiertas.
Una mejor perspectiva de la situación se logra si se transporta el problema al ámbito de la
prevención en lugar del de la reacción. Si las fuerzas del orden público fueran capaces de
anticipar cuándo y dónde se verá incrementada la actividad delictiva de algún tipo
específico, se lograría un beneficio doble. Por una parte, sería posible concentrar los
recursos y actividad logística necesarios para combatir ese tipo específico de actividad
delictiva en la zona y tiempo anticipados. Por otra parte, se podría establecer, de manera
dinámica pero bien fundamentada, varios de los parámetros comunes del trabajo cotidiano
en seguridad pública como el diseño específico de rondas de vigilancia, la distribución de
fuerzas en espacio y tiempo y por supuesto, la realización de operativos de seguridad e
inclusive de campañas de información y prevención por medios masivos de comunicación.
Como beneficio adicional para los funcionarios responsables de la seguridad pública, la
capacidad de conocer ese comportamiento (denominado en términos técnicos: tendencia
espacio-temporal) de la actividad delictiva proporcionaría un fundamento más adecuado
para evaluar su desempeño en la toma de decisiones. La simple comparación entre las
tendencias anticipadas, las medidas de prevención por ellos adoptadas y el resultado de las
acciones emprendidas proporcionaría el mencionado fundamento. Todo lo anterior
permitiría una mejor planeación del presupuesto que anualmente se destina a seguridad
pública, así como una mejor distribución del mismo en los diferentes rubros que componen
tan compleja actividad.
1.2
Planteamiento del Problema
Con base en los antecedentes expuestos anteriormente, es necesario señalar la importancia
de que todos funcionarios responsables de la seguridad pública, cuenten con instrumentos
de Análisis Delictivo, que les permita determinar las tendencias espacio-temporales que
presentan las familias delictivas dentro de la zona de su responsabilidad, a fin de realizar
una planeación que tenga como base la prevención en vez de la reacción.
El hecho de poder anticipar la tendencia de cada familia delictiva dentro de una zona y en
un tiempo determinado, no es el único problema al que se enfrentan los mandos policiacos
a la hora de concebir estos planes, la falta de recursos humanos, económicos y materiales es
un escenario común en los países en vías de desarrollo como México. Esta falta de recursos
hace necesario implantar un mecanismo que permita asignar prioridades de atención entre
diferentes familias delictivas, con el objetivo de hacer un uso eficiente de los recursos para
3
Capítulo Uno
Introducción
atender primeramente a aquellas que tienen un mayor impacto en la población, para
posteriormente atender aquellas que presentan un impacto menor y con ello ir reduciendo
de manera gradual el índice delictivo de una región de estudio.
El hecho de que se asignen prioridades de atención a las familias delictivas no debe
significar el total desentendimiento de fuerzas de orden público para aquellas familias que
no presentan un problema mayor. Es necesario dividir las fuerzas del orden público en dos
grupos: el primero encargado de establecer una vigilancia continua y, el segundo,
encargado de atender aquellas actividades delictivas que, de acuerdo con el análisis
realizado, requieran de atención inmediata.
1.3
Objetivos
1.3.1 Objetivo General
Desarrollar una metodología para el Análisis y Predicción Delictiva que permita
determinar:
•
Las familias delictivas que presentan actividad notable dentro de un espacio-tiempo
de referencia. Se entenderá por espacio-tiempo en este trabajo a una región de
estudio a la que se le realiza Análisis y Predicción Delictiva en un periodo de
tiempo específico (Año, Mes, Semana, etc.)
•
Los periodos del año y horarios en que estas actividades presentan mayor actividad.
•
Los espacio-tiempos en los cuales es posible disminuir la asignación de recursos
humanos y materiales para atender a las familias delictivas notables de otros
espacio-tiempos.
•
Los espacio-tiempos en donde la mayoría de las familias delictivas se presentan.
•
Finalmente, la cantidad de delitos que, según la predicción basada en el historial
delictivo, ocurrirán en un espacio-tiempo determinado.
1.3.2 Objetivos Específicos
•
Desarrollar una metodología para el Análisis Delictivo que estudie el
comportamiento espacio-temporal de las familias delictivas y sus patrones dentro de
una región de estudio propuesta.
4
Capítulo Uno
Introducción
•
Desarrollar una metodología para Predicción Delictiva que, a partir de la
información obtenida de una región de estudio propuesta, anticipen por cada una de
las familias delictivas, el número de hechos delictivos que se espera ocurran en una
zona y tiempo determinado.
•
Con base en los resultados obtenidos de los dos análisis anteriores, generar
recomendaciones que permitan a las fuerzas del orden público mejorar
sustancialmente la asignación de recursos necesarios, tanto materiales como
humanos, para hacer frente a las familias delictivas que afectan un área de manera
característica y con problemas de incrementos delictivos identificados.
•
Implementar un sistema de información que incorpore la metodología para el
Análisis y Predicción Delictiva y que trabaje dentro de una arquitectura de red
cliente-servidor, a fin de ser utilizada por los responsables de la de seguridad
pública en diferentes planes preventivos, desde varias locaciones y en cualquier
momento.
1.4
Contribuciones
Dentro de los resultados que se obtuvieron del desarrollo de este trabajo de tesis se tienen
las siguientes contribuciones:

Se desarrolló una nueva metodología para Análisis Delictivo basada en la
caracterización espacio-temporal de patrones delictivos.

Se desarrolló una metodología de Predicción Delictiva basada en el análisis del
comportamiento de una actividad delictiva durante sus últimos 12 meses y su
comportamiento a través de los años en la muestra disponible, que permite calcular
la cantidad de hechos delictivos se espera ocurran en un espacio-tiempo con un
error mínimo.

Se desarrolló un sistema de información que permite incorporar las dos
contribuciones anteriormente planteadas dentro de una arquitectura cliente-servidor,
con el objetivo de que dicho sistema esté disponible para todos los elementos
involucrados en el proceso de planeación y aplicación de la actividades tendientes a
reducir los índices delictivos, desde cualquier locación y en cualquier momento.

Finalmente, en el capítulo de conclusiones, existe un apartado (7.2) en donde se
explica de manera detallada las aportaciones técnicas que el presente trabajo
5
Capítulo Uno
Introducción
desarrolló sobre diferentes algoritmos de clasificación supervisada, empleados en el
enfoque Lógico-Combinatorio en Reconocimiento de Patrones.
1.5
Trabajos publicados
1.
2.
Congresos Internacionales

“Automatic Spatio-Temporal Characterization of Criminal Activity. A New
Algorithm and a Public Security Decision-Support System”, Research in
Computing Science, Advances in Computer Science and Engineering, vol. 42,
Mayo 2009.

“The Kora-Ω Algorith for Spatio-Temporal of Criminal Activity”, 4to.
Congreso Internacional “Tendencias Tecnológicas en Computación 2008”,
CIDETEC, 2008.
Revista Internacional Arbitrada
“The CR-Ω+ Classification Algorithm for Spatio-Temporal Prediction of Criminal
Activity”, Journal of Applied Research and Technology, vol. 7, 3 de diciembre 2009.
3.
Publicaciones en Proceso.
Al momento de imprimir este trabajo se encuentra en elaboración dos artículos, el
primero de ellos, relacionado con la metodología de Predicción Delictiva propuesta
y su aplicación en el área de Análisis Delictivo; el segundo enfocado a presentar las
modificaciones realizadas a los algoritmos de clasificación KORA-Ω y CR+.
1.6
Organización de la Tesis
Con base en los objetivos expresados, esta TESIS se estructura de la manera siguiente:
En el capítulo de introducción se describe la problemática que el presente trabajo de tesis
aborda dentro del contexto de seguridad pública.
En el capítulo 2 se presenta el estado del arte sobre criminología y criminalística, así como,
lo relativo a los diferentes tipos de Análisis Delictivos que se desarrollan tanto en México
como en diferentes partes del mundo.
6
Capítulo Uno
Introducción
En el capítulo 3 se presentan los fundamentos teóricos (conceptos y definiciones) que se
emplearon durante el desarrollo de la metodología para el Análisis y Predicción Delictiva
propuestos.
En el capítulo 4 se describe de manera detallada la metodología desarrollada para el
Análisis y Predicción Delictiva, así como su interpretación semántica.
En el capítulo 5 se exponen los resultados obtenidos de la aplicación de las metodologías
propuestas para Análisis y Predicción Delictiva sobre una base datos de hechos delictivos
de la ciudad de Sacramento, en el estado de California, E.U.A.
En el capítulo 6 se describe el diseño de un sistema de información que incorpora las
metodologías propuesta dentro de una arquitectura de red cliente-servidor, así como los
requerimientos mínimos necesarios para su implementación.
Las conclusiones derivadas de los resultados obtenidos de la experimentación realizada
anteriormente se presentan en el capítulo 7.
Por último, en la parte final, se presenta:

La bibliografía consultada durante la realización de esta tesis.
7
CAPÍTULO DOS
Estado del Arte
Se presenta el estado del arte sobre Criminología, Criminalística y lo relativo a los
diferentes tipos de Análisis Delictivos que se desarrollan tanto en México como en
diferentes partes del mundo.
8
Capítulo Dos
Estado del Arte
L
a realidad actual exige un cambio en la forma de percibir, analizar y juzgar los
programas y operaciones de prevención y combate a la delincuencia. La situación
económica mundial evidencia la necesidad de detener, o incluso revertir, el
constante incremento en los presupuestos destinados a la seguridad pública. Cada vez
resulta más complicado justificar la asignación de fondos para corporaciones policiacas
que, en términos generales, ofrecen pobres resultados y un mínimo impacto de su actividad
cotidiana en la calidad de vida de los ciudadanos.
Al mismo tiempo, también resulta claro que el papel de las organizaciones y cuerpos
policiacos es decisivo en la prevención del delito. Por ello, en los últimos años se han
puesto de manifiesto fuertes preocupaciones sociales por la eficacia y eficiencia de las
policías, tanto a nivel de la integridad y capacitación de los agentes que las componen,
como a nivel de las políticas y estrategias de las organizaciones mismas.
“…Estas fuerzas brindan un nuevo ímpetu para examinar medidas de largo
plazo y necesidades descuidadas, tales como generar en la policía la
capacidad institucional de evaluar el producto de su trabajo, de analizar
constantemente su marcha antes de hacer más de lo mismo, determinar lo que
se espera cumpla la policía y encontrar la manera más fácil de lograrlo”
[Arango, 2006].
En términos generales, esta preocupación por la eficacia y eficiencia de la policía, aunque
presenta sólidos argumentos, dispone también de suficientes y variados elementos para
proponer soluciones. Colectivamente se conoce mucho sobre el amplio rango de problemas
de comportamiento que constituyen el trabajo de la policía, así como las mejores formas de
prevenirlos [Gottlieb-Arenberg-Singh, 1994]. Es posible, hoy en día, encontrar gran
cantidad de información sobre prácticas exitosas de las agencias de seguridad y sobre
propuestas específicas de agentes experimentados en el tema. Dicha información puede
encontrarse en la literatura básica sobre delincuencia y prevención del crimen,
especialmente en los textos sobre prevención situacional del delito. Para que la
disponibilidad de toda esa información realmente redunde en mejoras palpables y de fuerte
impacto, tanto social como económico, esa información debe ser rigurosamente analizada
para determinar qué actividades resultan óptimas según la problemática específica a
enfrentar en cada demarcación [Arango-Lara, 2008(2)].
No existe actualmente un consenso, nacional o internacional, sobre el concepto de
Prevención Delictiva. Son múltiples las definiciones existentes y cada una de ellas enfatiza
aspectos diferentes. Como ejemplo de esto basta con mencionar dos de las consideradas
más representativas. En primer lugar, el investigador catalán Soria Verde, en su tratado
sobre Victimología, define la Prevención Delictiva como:
9
Capítulo Dos
Estado del Arte
“...la acción social dirigida a la mejora de la calidad de vida, mediante
acciones tendientes a que un determinado problema no aparezca o atenúe
sus efectos...” [Verde, 1993].
Por su parte, Rodríguez Manzanera, en su obra Criminología, expresa un sentido más
específico del término:
“...en materia Criminológica, prevenir es conocer con anticipación la
probabilidad de una conducta criminal, disponiendo los medios para
evitarla...” [Manzanera, 1993].
2.1
Criminalística y Criminología
El enorme progreso tecnológico experimentado por nuestro siglo ha acarreado, por una
parte, el nacimiento de nuevas ciencias y, por otra parte, el desarrollo de ciencias cuyos
orígenes no se remontan más allá del siglo pasado. En este último caso se encuentran la
Criminalística y la Criminología que sirven de auxiliares de la justicia para la
determinación de las posibles causales de los delitos ocurridos.
2.1.1 Criminalística
La criminalística es una disciplina que aplica fundamentalmente los conocimientos,
métodos y técnicas de investigación, de las ciencias naturales, en el examen de material
sensible, significativo y relacionado con un presunto hecho delictivo, con el fin de
determinar, en auxilio de los órganos de administrar justicia, su existencia, reconstruirlo o
bien señalar y precisar la intervención de uno o varios sujetos en el mismo [Montiel, 1997]
Una definición más formal de la criminalística es la siguiente:
"La Criminalística es una ciencia penal auxiliar, que mediante la aplicación
de sus conocimientos, metodología y tecnología descubre y verifica
científicamente la existencia de un hecho presuntamente delictuoso y al o los
responsables aportando las pruebas a los órganos que procuran y
administran justicia" [Montiel, 1997].
2.1.2 Criminología
Esta ciencia social estudia la naturaleza, extensión y causas del delito; características de los
delincuentes y de las organizaciones delictivas; problemas de detención y castigo de los
10
Capítulo Dos
Estado del Arte
delincuentes; operatividad de las prisiones y de otras instituciones carcelarias;
rehabilitación de los convictos, tanto dentro como fuera de prisión, y la prevención del
delito.
La ciencia de la Criminología tiene dos objetivos básicos: la determinación de causas, tanto
personales como sociales, del comportamiento delictivo y el desarrollo de principios
válidos para el control social del delito. Para la consecución de estos objetivos, la
Criminología investiga a partir de los descubrimientos de otras disciplinas interrelacionadas
con ella, tales como la Biología, Psicología, Psiquiatría, Sociología, y Antropología [1].
El presente trabajo de tesis, aunque evidentemente se trata de una investigación dentro del
marco de las ciencias de la computación y, en particular, en el área de Inteligencia Artificial
y Reconocimiento de Patrones, puede también ser ubicado dentro de esta ciencia auxiliar de
la justicia, ya que determina el comportamiento de la actividad delictiva que se presenta
dentro de un área de estudio.
2.2
Análisis Delictivo
En la actualidad, no existe una definición universalmente aceptada de lo que es Análisis
Delictivo. En algunos departamentos de policía es considerado como el estudio de reportes
policiacos y la extracción de información que permita la captura de delincuentes, en
particular, asesinos seriales [Osborne-Wernicke, 2006]. En otras agencias, el análisis
delictivo consiste en extraer datos estadísticos de las bases de hechos delictivos que ocurren
dentro un área y dividirlos en familias delictivas y épocas del año [Osborne-Wernicke,
2006].
Sea cual sea la definición de Análisis Delictivo, éste tiene por objetivo, encontrar
información importante dentro de los datos contenidos en cada uno de los hechos delictivos
y diseminarla entre los oficiales e investigadores para ayudarlos en la captura de posibles
delincuentes, así como frenar la actividad delictiva [Osborne-Wernicke, 2006].
La definición formal de Análisis Delictivo empleada en esta tesis es la siguiente:
“Análisis Delictivo es como el conjunto de procesos y técnicas de análisis
dirigidos a proveer información oportuna y pertinente relativa a hechos y
correlaciones de tendencia delictiva a el personal operativo y administrativo
durante la planeación de acciones tendientes a prevenir y evitar actividades
delictivas, ayudar en los procesos de investigación, incrementar la
aprensiones de delincuentes, asignación de recursos y esclarecer los
casos“[Osborne-Wernicke, 2006].
11
Capítulo Dos
Estado del Arte
Cualquier estudio u observación por sencillo que sea, que se lleve a cabo sobre la actividad
delictiva ocurrida dentro de una región de estudio y un periodo de tiempo puede ser
considerado como Análisis Delictivo. Esto le permite a cualquier departamento de policía
alrededor del mundo, proponer la forma en que realiza este análisis, lo que ha permitido
que éstos incursionen en diferentes campos y ciencias auxiliares de esta disciplina, a fin de
dar respuesta a las necesidades de información de los cuerpos de policía operativos que se
encargan del trabajo de campo.
Por otra parte esa sencillez del concepto, ha provocado que en la actualidad el simple hecho
de determinar el incremento o decremento de una cierta actividad delictiva dentro de una
región de estudio y plasmar esta información dentro de un informe sea considerado como
Análisis Delictivo en ciertos departamentos de policía.
2.2.1 Tipos de Análisis Delictivo
A pesar de no existir una definición unificada de Análisis Delictivo en posible agrupar los
diferentes tipos de análisis que se desarrollan en los departamentos de policía de la
siguiente manera [Osborne-Wernicke, 2006]:
1. Análisis Delictivo Táctico
Se basa en determinar dónde, cuándo y cómo se están cometiendo los delitos para que a los
oficiales de policía e investigadores. Sin embargo, otro rol de este tipo de análisis es el de
encontrar patrones comunes a cierto tipo de delito, que prediga nuevos hechos delictivos
dentro de la misma área y modo de actuar de los delincuentes.
2. Análisis Delictivo Estratégico
Desarrollado por los mandos superiores encargados de la de seguridad pública para resolver
problemas delictivos de gran impacto y planear proyectos a largo plazo. El resultado
obtenido de este análisis es proporcionado como información a niveles menores para que
estos a su vez lo consideren dentro de la planeación de sus respectivos sectores.
3. Análisis Delictivo Administrativo
Se centra en proveer a los diferentes organismos policiacos datos, estadísticas e
información referente a la tendencia delictiva presentada dentro de una zona.
12
Capítulo Dos
Estado del Arte
4. Análisis Delictivo de Investigación
Se encarga del estudio de la conducta criminal para la creación de perfiles policiacos
(socio-económicos, culturales y psicológicos), de sospechosos, delincuentes y víctimas, a
efecto de detectar posibles delincuentes, asesinos en serie y fundamentar los estudios de
victimología.
5. Análisis Delictivo de Inteligencia
Se desarrolla en los niveles federales y estatales, centrándose principalmente en el estudio
del crimen organizado, terrorismo, etc.
6. Análisis Delictivo de Operaciones
Tiene como objetivo evaluar el aprovechamiento de los recursos dentro de una
organización policiaca (presupuestos, recursos humanos, inventarios de armas, estados de
fuerza, aprovechamiento tecnológico, etc.).
2.2.2 Análisis Delictivo en México
En la actualidad, las organizaciones policiacas en México presenta muchas deficiencias en
la metodología para la realización de Análisis Delictivo, tradicionalmente el trabajo en este
campo es realizado por oficinas denominadas de “Análisis Delictivo”, las cuales
generalmente no cuentan con personal capacitando en y únicamente se limitan al conteo y
clasificación de los delitos que ocurren en su región de responsabilidad para posteriormente
ser mostrados mediantes graficas en informes que son enviados a sus jefes inmediatos o
distribuidos a las áreas operativas en forma de información que en teoría debería de ayuda a
estos en la prevención del delito.
Independientemente del tipo de enfoque que se emplee para la realización del Análisis
Delictivo, es vital contar con información verídica, completa y oportuna de los hechos
delictivos ocurridos dentro de una región de estudio. Sin embargo, el proceso de
generación de datos es el proceso más complicado de realizar. El Instituto Ciudadano de
Estudios sobre Inseguridad (I.C.E.S.I.) publicó en junio del 2008 un artículo titulado
“Generación de Información en Seguridad Pública” donde plantea, de manera clara, los
principales problemas que actualmente tiene México para recolectar información adecuada
para la realización de Análisis Delictivo. A continuación se describen estos problemas
[I.C.E.S.I., 2008]:
13
Capítulo Dos
Estado del Arte
1. Maquillaje de origen
Actualmente los sistemas de información, al menos los conocidos, captan únicamente lo
relacionado a la averiguación previa (AP) y la hacen equivalente a un delito. Es decir que
aunque en un solo incidente concurran dos o más delitos (por ejemplo en un robo puede
haber alguna lesión o agresión física de la víctima) en la AP que inicia el agente del
ministerio público (MP) registra estadísticamente un solo delito, por lo general el que
considera más grave.
Existen otros casos en ciertas entidades federativas en donde hay registro de un mayor
número de AP que delitos ocurridos, lo cual es imposible.
2. Problemas relacionados con la información
Cantidad de la información: No existe una norma que señale a las entidades cuánta y qué
tipo de información de debe generarse de cada uno de los delitos denunciados.
Tipo de la información: Aunque existe el formato CIEISP (cuyas siglas significan Comité
Interinstitucional de Estadística e Información en Seguridad Pública), que podría servir
como base para la generación de información estadística, las entidades terminan por
reportar con diferentes niveles de agregación y de conceptos, que incluso internamente
cambian de un año a otro. Hay casos en los que ni en una misma entidad es posible hacer
comparaciones, por estas diferencias de información.
Homogenización: El problema anterior está ligado con el de la estandarización de la
información. Algunas entidades o dependencias reportan por mes, otros por trimestre, otros
por año, algunas por día, aunque de un momento a otro cambian conceptos y agregan o
desagregan información sin que medie alguna guía o documento que permita entender los
motivos, y menos aún que información estaba contemplada en el rubro anterior y donde se
contempla bajo los nuevos esquemas de clasificación.
Falta de confiabilidad: En muchas ocasiones la información se maneja para alcanzar
ciertos propósitos. Así por ejemplo si es para dar a conocer a la población los resultados en
materia de seguridad o para presentar en informes de gobierno se reportan datos a la baja; si
es para contar con más recursos por parte del Sistema Nacional de Seguridad Pública los
datos son más altos. Es así que muchas entidades cuentan con dos o más sistemas de
información, que se mueven de manera distinta, de acuerdo con los objetivos que persigan.
Disponibilidad: En el mejor de los casos la información se hace pública hasta con dos años
de retraso y, en el peor, la información nunca llega a hacerse pública. Por ejemplo, un caso
típico donde no se cuenta con mayor información (y que debería ser objeto de rendición de
14
Capítulo Dos
Estado del Arte
cuentas), corresponde a aquel en donde las AP se "resuelven" por prescripción, es decir
extinción de la acción penal por el paso del tiempo que hace que por ley las AP pasen al
archivo de asuntos concluidos sin que se haya resuelto nada al respecto. A veces este tipo
de "asuntos concluidos" llegan a representar un porcentaje mayor al 50% del total.
Asimismo, otro de los puntos que tiene que ver con la disponibilidad se refiere a que en
muchas ocasiones la información se mantiene sin darse a conocer en períodos muy largos y
que para efectos de análisis deja de ser útil. Para que la información pueda tener un uso
eficiente especialmente para delinear políticas de prevención debiera estar disponible
máximo con un mes de atraso.
Temporalidad. A nivel nacional, con la información por entidad federativa, no se sabe
nada del día y la hora en que se cometen los delitos, si estos son mayores en quincenas o
días de pago, los fines de semana, si ocurren por la mañana o por la tarde, si se dan en días
de fiesta patronales, etc.
Lo anterior resulta relevante ya que, de acuerdo con la temporalidad, se pueden definir
políticas diferentes de atención incluso sobre un mismo delito.
3. Contextualización de los delitos
No es posible elaborar políticas de prevención si los delitos no se contextualizan. Por
ejemplo, en el caso de un homicidio interesa, entre otras cosas, conocer el contexto, es
decir, si había o no relación previa entre víctima y victimario, si el homicidio ocurrió en el
interior de una vivienda o negocio, si se dio en la calle, si se utilizó o no un arma y qué tipo
de arma, si se dio bajo el influjo del alcohol o alguna otra droga, si participaron una o varias
personas, si fue en riña.
De cada una de estas preguntas se desprenden medidas de intervención diferentes.
Por ejemplo, es sabido que no se pueden hacer políticas de prevención del homicidio
cuando existe relación previa entre víctima y victimario. Es decir, cuando una persona
quiere matar a otra por cuestiones afectivas no hay poder que lo impida. Así puede
señalarse el caso donde dos conocidos compadres, uno del otro, empiezan tomando en una
reunión de amigos, continúan tomando en la casa de uno de ellos y, de repente, uno de ellos
ve o cree ver que las miradas que está realizando el compadre sobre la comadre no son las
adecuadas, vienen los reclamos, éstos suben de tono y uno de ellos acaba matando al otro.
Ante esta situación no hay nada que hacer.
15
Capítulo Dos
Estado del Arte
Lo mismo sucede con los homicidios por ajustes de cuentas entre delincuentes participantes
en crimen organizado. No existe poder humano, ni política de seguridad pública, que vaya a
impedir este hecho.
Otro delito es el de la violación, donde la contextualización es importante. No sirve de nada
tener a 50 policías fuera de la casa de un padre violador, ya que la violación se va a dar en
el interior del hogar.
4. Análisis longitudinal
En este momento no existe posibilidad de realizar un análisis, a lo largo del tiempo, de lo
que sucede con cada asunto que lleva el aparato de seguridad pública en su conjunto
(prevención, procuración y administración de justicia, rehabilitación social), debido a que
en cada etapa del proceso se asignan números distintos o a que cada parte del proceso se
considera como independiente una de la otra.
Así no se sabe para un evento en particular, si hubo o no intervención policíaca, por qué
delitos se inicia una averiguación previa, cuántos y cuáles fueron los delitos por los que se
inició, cuántos, cuáles, en su caso, y de qué sexo eran los delincuentes, cuántos, cuáles y de
qué sexo eran las víctimas, por qué delitos se consigna una averiguación previa, por qué
delitos se procesa, por qué delitos se sentencia, por qué delitos están los delincuentes
presuntos o sentenciados en prisión, etc.
5. Información faltante
La mayoría de los eventos en que intervienen las fuerzas policiales quedan en el olvido, lo
que impide evaluar dónde son eficientes, dónde no lo son y dónde se necesitan pequeños
actos de administración para lograr esa eficiencia.
No se conoce el personal policiaco de los tres niveles de gobierno: cuántos son, dónde
están, cómo se distribuyen, cuántos y cuáles están capacitados, qué turnos tienen, las
edades, sexos, etc.
Falta información sobre el equipamiento: en qué estado se encuentra, cuánto es, cuántas
armas existen, etc.
La información de los penales es completamente deficiente, no se conocen flujos de
entrada- salida, por delito, tiempo en prisión, sexo, ocupación, reincidencia, etc.
16
Capítulo Dos
Estado del Arte
6. Georeferencia
No es posible ubicar cada hecho delictivo mediante coordenadas geográficas. Asimismo, no
se describen las características del espacio donde se cometió el crimen (iluminación,
abundancia de árboles, cuadrantes de calles, etc.).
7. Información de los victimarios
Aunque parezca increíble, de los delincuentes se tiene poca información: no se conoce
cuántos son, el sexo, su edad, su apariencia, si actúan o no en grupo, las horas y días
preferidos para cometer delitos, las armas que utilizan, el tipo de víctimas que escogen, los
lugares donde atacan principalmente, el modus operandi, etc.
8. Información de la víctima
Por supuesto que, si la información anterior presenta deficiencias importantes, en la
estadística oficial la víctima no existe en lo absoluto.
Así, con esa información, es imposible conocer cuántos hombres y cuántas mujeres son
víctimas del delito, los lugares donde han sido victimizados, los horarios más frecuentes, el
delito o delitos que padecen, las edades que tienen, etc.
En conclusión, podemos determinar que mientras en México no exista un sistema unificado
de información delictiva que contemple a los tres niveles de Gobierno (Federal, Estatal y
Municipal) y no se establezca un canal de comunicación entre los organismos encargados
de la seguridad pública y el sector educativo, principalmente con universidades, quienes
podrían aportar las herramientas científicas y tecnológicas, será casi imposible realizar un
Análisis Delictivo que realmente permita hacer frente a los problemas de inseguridad que
actualmente se viven en el país, limitándose como hasta el momento a atacar los delitos una
vez que estoy ya ocurrieron.
2.2.3 Sistemas de Análisis Delictivo en el Mundo
Los principales sistema de Análisis Delictivo que se pueden encontrar en la actualidad han
sido desarrollados por empresas privadas o los departamentos de policía de diferentes
estados en países como: Estados Unidos de América, Inglaterra, España, etc. A
continuación se describen algunos de ellos.
17
Capítulo Dos
Estado del Arte
2.2.3.1 STAC (Spatial and Temporal Analysis of Crime, 1988)
STAC es un paquete de software que se compone de dos programas: un analizador
temporal y un analizador espacial. El paquete de STAC se completó en 1988, con el apoyo
del Departamento de Justicia de E.U.A., Oficina de Estadísticas de Justicia.
Este paquete fue creado en respuesta a las solicitudes de los organismos policiales locales
para mejorar sus capacidades de Análisis Delictivo. Su objetivo principal es localizar
agrupaciones de actividad delictiva dentro de una comunidad mediante la automatización
de funciones como el análisis de tiempo en los datos de los delitos cometidos y la
colocación manual de puntos de interés en mapas (Map Pin).
El analizador temporal ayuda a determinar el momento más probable del día y el día de la
semana que un determinado tipo de delito se produce, incluso cuando la información de que
dispone la policía es imprecisa.
El analizador espacial ayuda a encontrar las áreas en una comunidad donde hay focos rojos
delictivos (hot Spots). Este analizador no es un paquete de mapas, sino que ayuda a los
analistas que ya tienen la capacidad de mapeo en la representación de resultados.
STAC primero encuentra las agrupaciones más densas de puntos en el mapa, y luego ajusta
una "elipse de desviación estándar" a cada una de estas agrupaciones. El analista puede
entonces hacer comparaciones entre diferentes agrupaciones.
Esta aplicación y su información técnica esta está disponible de manera gratuita en:
http://www.icjia.state.il.us/public/index.cfm?metaSection=Data&metaPage=STACfacts
La figura 1 muestra la forma en que este sistema muestra algunos de los resultados
obtenidos de su análisis.
18
Capítulo Dos
Estado del Arte
Figura 1. Sistema STAC
2.2.3.2 CrimeLink (PCI Precision Computing Intelligence 1993)
CrimeLink es una herramienta visual de Análisis Delictivo diseñado para ayudar a los
analistas e investigadores en la conversión de grandes cantidades de datos aparentemente
independientes y sin relación en productos gráficos de análisis ordenados, comprensibles y
comprensibles.
Automatizando las probadas técnicas de análisis como: Matrices de Asociación, Gráficas de
evento-hora, rueda de análisis de patrones y Análisis de llamadas. CrimeLink es la solución
perfecta para comprender y resolver problemas complejos que involucran lucha contra el
terrorismo, la delincuencia organizada, operaciones militares, las drogas, el fraude
financiero, investigaciones importantes, al por menor, y cualquier otro conjunto de
actividades complejas, de conspiración o de redes sociales.
La matriz de asociación visualiza en una sola matriz, las personas y las entidades
involucradas en los hechos delictivos, lo que permite encontrar posibles relaciones entre
todas ellas. Cada celda de la matriz se asemeja a la tabla de distancias en un atlas de
carreteras y representa una posible relación. La matriz de asociación es un registro de quién
conoce a quién, quién ha hecho cada quien y quien ha estado donde. La figura 2 muestra
esta matriz.
19
Capítulo Dos
Estado del Arte
Figura 2. Matriz de asociación de CrimeLink
El Gráfico Eventos-Hora (GEH) y la Rueda de análisis de patrones son un grupo de
registros cronológicos diseñados para almacenar y mostrar grandes cantidades de
información en el menor espacio posible. Cada registro cronológico es único para cada
grupo de estudio y muestra las actividades delictivas relacionadas con el grupo en una
variedad de formatos y pantallas.
El GEH es fácil de preparar, entender y utilizar. Al registrar la cronología, es posible
analizar las actividades del grupo, las transiciones, las tendencias, y, en particular, los
patrones de funcionamiento, es decir, los patrones en el tiempo y actividad. Si se desea, el
evento puede ser un código de color para indicar un evento en particular o tipo de evento
que ayude en el reconocimiento de patrones.
El GEH es una herramienta de análisis de patrones que permite predecir los
acontecimientos futuros de cierta actividad delictiva. La figura 3 muestra la interfaz de
usuario del GEH.
El análisis de llamadas está basado en información disponible de una variedad de fuentes
que muestran el tipo y ubicación de los teléfonos o las comunicaciones relacionadas con el
universo de estudio; el momento, la dirección y duración de las llamadas, los patrones de
tiempo, orden de frecuencia de llamadas, facturación, y lo más importante, muestra toda
una red de telecomunicaciones, así como la identificaciones individuales y corporativas. La
figura 4 muestra la interfaz de usuario del analizador de llamadas.
CrimeLink y su información técnica está disponible en: http://www.pciusa.us/.
20
Capítulo Dos
Estado del Arte
Figura 3. Rueda de análisis de patrones
Figura 4. Análisis de llamadas de CrimeLink
2.2.3.3 CrimeView (Omega Group 1992)
CrimeView el software de Análisis Delictivo y mapeo más utilizado en América del Norte.
Cientos de agencias utilizar este software para las investigaciones, el despliegue de recursos
y la gestión de emergencias. Permite a los usuarios finales importar automáticamente datos
delictivos hacia una plataforma de mapas que visualiza geográficamente la actividad
delictiva.
CrimeView ofrece a los analistas delictivos una interfaz sencilla para encontrar focos rojos
delictivos (hot spots) y reporte de llamadas. Con funciones automatizadas, como umbrales
de alertas y la generación de informes.
21
Capítulo Dos
Estado del Arte
Características Principales de CrimeView
1. Filtra: Permite la búsqueda de hechos delictivos por categorías (tipo de delito,
fecha y hora).
2. Fijar: Encuentra áreas con problemas graves de delincuencia (hot spots) y crea
mapas de llamadas que ayudan a aislar las áreas problemáticas. La figura 5 muestra
la forma en que son presentados los focos rojos delictivos (hot spots) encontrados.
3. Automatiza: Las tareas repetitivas como la generación de informes periódicos.
4. Alerta: hace notificaciones cuando la delincuencia supera un nivel específico.
5. Informa: Realiza reportes detallados y resumidos de cualquier capa de la
delincuencia y las clasifica por numerosas categorías.
6. Gráfica: Crea tablas y gráficos por día de la semana, hora del día y mes del año.
Esta herramienta y su información técnica se encuentra
http://www.theomegagroup.com/police/crime_mapping_solutions.html.
disponible
en:
Figura 5. Sistema CrimeView
2.2.3.4 ArcGis (Extensión para Análisis Delictivo 2000)
En la actualidad, los departamentos de policía están utilizando análisis de datos espaciales
para evaluar patrones delictivos, optimizar la asignación de recursos, y mejorar la respuesta
22
Capítulo Dos
Estado del Arte
de llamada de emergencia. ArcGis es un sistema de información geográfica que
actualmente cuenta con un módulo para Análisis Delictivo que emplea herramientas
estadísticas diseñadas específicamente para su uso con los datos espaciales.
Las herramientas con las que cuenta este software son:
1. Análisis de focos rojos delictivos (hot spots) en ArcGIS 9. Permite encontrar
aquellas áreas con una densidad delictiva alta. La figura 6 muestra la forma en que
ArcGis presenta los resultados obtenidos de este análisis.
2. Cálculo del centro principal. Permite calcular el centro principal de una actividad
delictiva mediante el promedio de las coordenadas en x y y de cada una de los
hechos delictivos ocurridos en una región de estudio.
Figura 6. Análisis de focos rojos delictivos (hot spots) de ArcGis
3. Calculo de la dirección del delito. Determina la posible dirección que seguirá una
familia delictiva. La manera más común para determinar la tendencia de puntos o
áreas es calculando la desviación estándar de sus direcciones en x y y. Estas dos
medidas definen los ejes de una elipse que muestra si la distribución de puntos se
alarga, lo que indica que tiene una orientación particular. La figura 7 muestra la
forma en que ArcGis presenta los resultados obtenidos de este análisis.
23
Capítulo Dos
Estado del Arte
Figura 7. Cálculo de la dirección del delito
2.2.3.5 A.T.A.C (Automated tactical analysis of Crime 2004)
Es un paquete de estadísticas espaciales que puede analizar datos sobre la ubicación de la
incidencia delictiva. Su objetivo es ofrecer una variedad de herramientas para el análisis
espacial de la delincuencia. Está diseñado para operar grandes conjuntos de datos
provenientes de hechos delictivos. Sin embargo, puede ser utilizado para otros tipos de
aplicaciones que impliquen localización de puntos, como la ubicación de las detenciones,
accidentes de vehículos, servicios médicos de urgencia, o instalaciones (por ejemplo,
estaciones de policía).
La aplicación permite realizar investigación y Análisis Delictivo con un amplio rango de
procedimientos espaciales estadísticos que pueden ser incorporados dentro de un sistema de
Información Geográfica.
Características Principales de A.T.A.C:
1. Identificación de patrones: este software identifica patrones delictivos mediante la
ordenación de datos y su consulta.
2. Análisis de Series de Tiempo: Este módulo tiene incorporado la mayoría de los
métodos de análisis de series de tiempo existentes, los cuales pueden ser aplicados a la
totalidad o sólo una parte de los datos con los que se cuente. Cuando un módulo ha
terminado su análisis, se puede elegir un rango de tiempo específico para presentar los
resultados. El módulo grafica los resultados de las distribuciones temporales utilizando
un área, una línea o un gráfico de barras. La figura 8 muestra la forma en que son
presentados los resultados de este módulo.
24
Capítulo Dos
Estado del Arte
Figura 8. Análisis de series de tiempo en el sistema A.T.A.C.
3. Predicción Temporal: El Módulo de Análisis Temporal Dinámico proporciona los
medios para analizar y descubrir cualquier patrón temporal de los datos.
Este análisis permite encontrar lo siguiente:

Predicción del próximo evento usando más de una docena de técnicas probadas de
predicción.

Encontrar las relaciones entre las dos variables para descubrir motivaciones ocultas
y pronosticar el próximo evento basándose en estas relaciones
4. Integración de Google Earth: Los resultados del análisis espacial pueden ser
exportados a un formato de archivo KML de Google Earth. La figura 9 muestra la
forma en que presentan los resultados en esta aplicación.
5.
Mapeo: A.T.A.C., brinda un medio fácil para visualizar datos que contengan
coordenadas X y Y en forma tabular, además puede leer archivos Shape ESRI para
una comparación rápida entre los datos tabulares y la información geográfica existente.
Este módulo permite calcular lo siguiente:
• Áreas de densidad delictiva importantes (hot spots). La figura 10 muestra la forma
en que son presentados los resultados de este análisis.
• Cálculo de Distancias Euclidianas y de Manhattan.
25
Capítulo Dos
Estado del Arte
• Usar la tabulación X/Y para visualizar inmediatamente las posiciones en Google
Earth.
Figura 9. Integración del sistema A.T.A.C. con Google Earth.
6. Análisis de densidad: La función de hot spots está optimizado para identificar
grupos estadísticamente significativos en los datos, fácilmente determinar el tamaño
de la célula y la distancia de búsqueda adecuada. Independientemente del nivel de
zoom, ATAC configurará la distancia óptima de búsqueda basado en la perspectiva
actual del mapa en donde se trabaje. La figura 11 muestra la forma en que son
presentados los resultados de este análisis
Figura 10. Análisis de hot spots de A.T.A.C.
26
Capítulo Dos
Estado del Arte
Figura 11. Análisis densidad de A.T.A.C.
Esta herramienta y su información técnica se
http://www.bairsoftware.com/atac/features/identify.html
2.3
encuentran
disponibles
en:
Conclusión
El Análisis Delictivo es una herramienta indispensable en todas las dependencias
encargadas de la seguridad pública, tanto en México como en cualquier parte del mundo.
Sin embargo, en la actualidad, países como el nuestro están apenas en la etapa de creación
de una estructura organizacional y tecnológica capaz de registrar de manera eficiente cada
uno de los hechos delictivos que se presente en el país. Sin esta estructura, es imposible
aplicar cualquier modelo matemático que sirva para hacer Análisis Delictivo, limitándose
únicamente a la creación de informes que no aportan ninguna utilidad a los cuerpos
operativos de la policía. En otros países, esta estructura ya existe y actualmente ponen a
prueba muchos modelos matemáticos que están auxiliando a los cuerpos policiacos de
todos los niveles en la toma de decisiones de seguridad pública.
27
CAPÍTULO TRES
Marco Teórico
Se detallan los conceptos teóricos empleados durante el desarrollo del presente trabajo de
tesis.
28
Capítulo Tres
Marco Teórico
3.1 Soporte a la toma de decisiones
En las últimas décadas se han desarrollado diferentes sistemas de información que auxilian
a los usuarios en la toma de decisiones, estos sistemas han recibido el nombre general de
Sistemas de Apoyo a las Decisiones (DSS por sus siglas en inglés Decision Support
Systems). Existen diferentes definiciones acerca de lo que es un DSS, sin embargo, para
efectos de esta tesis consideraremos la siguiente:
“Un DSS es un sistema de información basado en un computador interactivo,
flexible y adaptable, especialmente desarrollado para apoyar la solución de un
problema de gestión no estructurado que mejorar la toma de decisiones.
Utiliza datos, proporciona una interfaz amigable y permite la toma de
decisiones en el propio análisis de la situación" [Turban, 1995]
Es evidente que los DSS pertenecen a un entorno con fundamentos multidisciplinarios,
incluyendo (pero no exclusivamente) la investigación en base de datos, inteligencia
artificial, Interacción hombre-máquina, métodos de simulación, ingeniería de software y
telecomunicaciones.
Arquitectura de un Sistema de Apoyo a las Decisiones
Para diferentes autores existe una gran cantidad de componentes que conforman un DSS.
Sin embargo, la mayoría de ellos cuentan, cuando menos, con los siguientes componentes:
[Haag- Cummings- Phillips, 2000]
1.
Sistema de Gestión de Base de Datos.- Almacena información de diversos
orígenes, puede proceder de los repositorios de datos de una organización
tradicional, de fuentes externas (como Internet), o del personal (de ideas y
experiencias de los usuarios individuales).
2.
Sistema Gestor de Modelos.- Se ocupa de las representaciones de los
acontecimientos, hechos o situaciones utilizando diversos lenguajes simbólicos.
3.
Sistema Gestor y Generador de Diálogos.- Se trata de la interfaz de con el
usuario; es por supuesto, el componente que permite a un usuario interactuar con el
sistema.
29
Capítulo Tres
Marco Teórico
3.2 Reconocimiento de Patrones
Se entiende por Reconocimiento de Patrones, a la rama del conocimiento científico, de
carácter multidisciplinario, cuyo objeto de estudio son los procesos de identificación,
caracterización, clasificación y reconstrucción, sobre conjuntos de fenómenos o entes,
tanto físicos como abstractos, así como el desarrollo de teorías, metodologías y tecnologías
relacionadas a dichos procesos.
En la definición anterior se entiende por identificación al proceso por el cual se llega al
conocimiento o localización precisa de un resultado u objeto buscado en un conjunto. Por
Caracterización se entiende la determinación de los atributos particulares de un objeto, de
forma tal que sea posible distinguirle claramente de entre otros semejantes. Clasificación es
el ordenamiento y disposición de los objetos en diferentes categorías o clases según
criterios establecidos de semejanza. Por último, reconstrucción se entiende como el
proceso de reunir o evocar las diferentes partes constitutivas de un objeto o fenómeno para
completar el concepto o conocimiento del mismo.
Tomando como punto de partida la definición propuesta, este trabajo se ubica como parte
del desarrollo de metodologías y tecnologías relacionadas con los procesos propios del
reconocimiento de patrones.
3.2.1 Enfoques en reconocimiento de Patrones
En la actualidad, no existe hoy en día una teoría unificada en reconocimiento de patrones
(RP) [Duda-Hart, 73], menos aún una visión uniforme sobre los supuestos fundamentales,
las metodologías o las herramientas que han de ser usadas pata tal actividad. Por ello, en el
trascurso de la corta historia de la disciplina, han surgido diferentes enfoques para abordar
el reconocimiento de patrones. Los enfoques más comúnmente estudiados y con mayor
impacto en términos de sus resultados son el enfoque Estadístico, el Neuro-reticular, el
Sintáctico-estructural, y el Lógico-Combinatorio. Se presenta, a continuación, una breve
caracterización de cada uno de ellos en términos de sus fundamentos teóricos y
herramientas distintivas.
1. Enfoque Estadístico
Su fundamento es la Teoría de probabilidad y la Teoría bayesiana de la decisión. Los
procedimientos que comúnmente usa son los de la Estadística inferencial y descriptiva, en
especial el análisis discriminante. Opera bajo el supuesto fundamental de que los patrones
son un conjunto de medidas numéricas, definidas sobre un espacio métrico o normado y
con distribuciones de probabilidad conocidas [Fukugama, 72], [Devroye-Lugosi, 96].
30
Capítulo Tres
Marco Teórico
2. Enfoque Neuro-Reticular
Se fundamenta en la Teoría conexionista surgida en el ámbito de la neuropsicología. Para
clasificar patrones utiliza una estructura de neuronas artificiales interconectadas que se
estimulan unas a otras, llamadas Red Neuronal y en la que cada neurona puede ser
“entrenada” para entregar una respuesta específica ante ciertos estímulos predeterminados
[Marques de Sá, 01], [Haykin, 99].
3. Sintáctico-Estructural
Se basa en encontrar las relaciones estructurales que guardan entre sí los patrones en
estudio, utilizando la teoría de lenguajes formales y funciones recursivas para construir
gramáticas que describan la estructura del universo de patrones. Emplea la Teoría de
autómatas para construir algoritmos que puedan reconocer los patrones [Fu, 82],
[González-Thomason, 78].
4. Enfoque Lógico-Combinatorio
El objetivo de este enfoque es modelar situaciones sin los supuestos restrictivos de otros
enfoques, es decir, en donde los patrones puedan estar formados por cualquier combinación
de características tanto cualitativas como cuantitativas. Los problemas de clasificación se
modelan según la Teoría clásica de conjuntos o la Teoría de subconjuntos difusos.
Típicamente se aplica la Teoría de Testores para determinar las características esenciales de
cada patrón. Es común, en este enfoque, estudiar y modificar algoritmos generados
originalmente en otros enfoques para remover algunas de sus limitaciones y extender su
capacidad de aplicación. [Martínez-Trinidad-Guzmán-Arenas, 01], [ShulcloperGuzmán Arenas-Martínez Trinidad, 99], [Shulcloper-Lazo, 90], [Shulcloper-Abidi,
02].
Resulta importante ubicar el presente trabajo en el contexto de un enfoque específico, el
lógico-combinatorio, para permitir la comprensión cabal de los problemas abordados, las
soluciones propuestas y el impacto de las mismas en la actividad cotidiana de
investigadores, docentes y estudiantes de RP. Todos los planteamientos, propuestas y
soluciones contenidas en este trabajo deben de entenderse primordialmente desde la
perspectiva de este enfoque.
3.2.2 Enfoque Lógico Combinatorio
Los principios que fundamentan el enfoque lógico-combinatorio surgen a mediados de la
década de 1960, en la ex Unión de Repúblicas Socialistas Soviéticas (URSS), a partir de los
31
Capítulo Tres
Marco Teórico
trabajos de [Dimitriev-Zhuravlev-Kendrelev, 66] sobre la formalización matemática de
los problemas de clasificación. Estos trabajos retoman las investigaciones sobre Teoría de
testores publicados casi una década antes en [Chenguis-Yabloskii, 55] y [ChenguisYabloskii, 58] para darle un nuevo contexto más general e integrarlos como parte del
enfoque que en esos momentos estaba surgiendo. A pesar de que la mayoría de los primeros
trabajos en esta rama fueron de origen soviético, nunca se concibió en la URSS la
integración de estos trabajos como un enfoque diferente en reconocimiento de patrones y,
aunque el naciente enfoque se extendió en Europa del este y los países del bloque socialista,
no es común, incluso hoy en día, que se le considere como un enfoque en RP, sino como
trabajos en modelado matemático.
La característica más trascendente de este enfoque y seguramente la que atrae la atención
de cada vez mas número e investigadores [Martínez-Trinidad-Guzmán-Arenas, 01], es
que aborda problemas de clasificación y selección de variables cuya representación no es
forzosamente numérica, sino que se extiende a casos que involucra descripciones de objetos
y fenómenos en términos cualitativos y, sobre todo, espacios de representación que
combinan tanto variables cuantitativas como cualitativas e incluso condiciones de
información incompleta, imprecisa y ausencia de información [Goldfarb, 85], [PonsShulcloper-Martínez Trinidad, 02], [Shulcloper-Sánchez Díaz-Abidi, 02]. Esta
característica se logra al desasociar el concepto de similitud entre patrones de las
condiciones requeridas para una métrica, de esa forma se puede modelar problemas cuyo
espacio de representación resulta en una complicada combinación de rasgos cualitativos y
cuantitativos. Todas las características anteriores amplían considerablemente el espectro de
áreas de estudio y brindan al enfoque lógico-combinatorio un enorme potencial de
aplicación, no solo en las ciencias exactas y la ingeniería, sino particularmente en las
humanidades, disciplinas sociales y ciencias poco formalizadas, donde la contribución de
otros enfoques restringidos a espacios numéricos y métricos, ha sido mínima [López
Reyes, 81], [Cheremesina-Shulcloper, 92].
Sin embargo, contrastando con su amplio espectro de investigación y enorme potencial de
aplicación, este enfoque presenta también la característica de que los algoritmos tienen, por
lo general complejidad alta y baja eficiencia computacional. Los resultados de estos
algoritmos y sus interpretaciones son altamente sensibles a los detalles del modelado
matemático, en particular, a las características del conjunto de atributos que describen los
patrones, así como a las propiedades de las funciones planteadas de semejanza entre
patrones [Shulcloper-Pico, 92].
3.2.3 Enfoque Estadístico
Históricamente, una de las principales herramientas que se han empleado en el
reconocimiento de patrones ha sido la Estadística, la cual utiliza principalmente: Análisis
32
Capítulo Tres
Marco Teórico
discriminante, Teoría bayesiana de la decisión, Teoría de las Probabilidades y Análisis de
Agrupamientos [Shulcloper, Guzmán-Arenas, Martínez Trinidad, 99].
El Enfoque estadístico tiene las siguientes características fundamentales:
1. Se basa en variables numéricas.
2. A estas variables se le presupone propiedades sobre un espacio métrico o normado.
3. Es muy frecuente el uso de probabilidades cuando se considera la presencia de
elementos de incertidumbre.
4. Estas herramientas han sido aplicadas con muy buenos resultados a problemas
principalmente de imágenes y señales. Sin embargo su uso se ha extendido
indebidamente a problemas para los cuales estas herramientas no fueron concebidas
[Shulcloper, Guzmán-Arenas, Martínez Trinidad, 99].
Clasificación Bayesiana
El Teorema de Bayes, enunciado por Thomas Bayes en el siglo XVIII, proporciona la
distribución de probabilidad condicional de un evento "A" dado otro evento "B"
(probabilidad posteriori), en función de la distribución de probabilidad condicional del
evento "B" dado "A" y de la distribución de probabilidad marginal del evento "A"
(probabilidad simple o apriori).
Sea {A1,A2,...,Ai,...,An} un conjunto de sucesos mutuamente excluyentes, tales que la
probabilidad de cada uno de ellos es distinta de cero. Sea “B” un suceso cualquiera del que
se conoce la probabilidad condicional P( B | Ai ) . Entonces, la probabilidad P( Ai | B) está
dada por la siguiente expresión: [Lind ,Marchal, Wathen, 06]
P( Ai | B) 
P( B | Ai ) P ( Ai )
P( B | Ai ) P( Ai )
 n
P( B)
 P( B | Ai )P( Ai )
i 1
Donde:
P( Ai ) Es la probabilidad de que ocurra el evento Ai .
P( B) Es la probabilidad de que ocurra el evento B .
33
(3.1)
Capítulo Tres
Marco Teórico
P( B | Ai ) Es la probabilidad condicional de que ocurra el evento B dado que ya ocurrió el
evento Ai .
P( Ai | B) Es la probabilidad condicional de que ocurra el evento Ai dado el evento B.
3.3 Aprendizaje Inductivo
El proceso de aprendizaje inductivo consiste en la generación de nuevo conocimiento
después de realizar inferencia inductiva (inducción) sobre los datos proporcionados por un
entorno o área de estudios [Moreno, Armengol, Béjar, 94].
Se pueden distinguir dos grandes tipos de aprendizaje inductivo:
1. Adquisición de conceptos. También conocido como aprendizaje a partir de
ejemplos. Se caracteriza por que existe la descripción de algunos objetos, ya
clasificados en una o más clases (Conceptos). La hipótesis que se induce puede ser
vista como una regla del reconocimiento del concepto, lo anterior significa que si
un objeto nuevo satisface las condiciones de la regla entonces representa al
concepto dado (clases).
Algunos de los problemas tratados con este tipo de aprendizaje son:

Obtención de la descripción característica de una clase de objetos, que
especifica las propiedades comunes todos los objetos conocidos de la clase.

Obtención de la descripción discriminante de una clase de objetos, que la
distinguen de un número limitado de clases diferentes.
2. Aprendizaje a partir de la observación. También conocida como generalización
descriptiva. Su objetivo es determinar una descripción general que caracterice un
conjunto de observaciones.
Algunos de los problemas tratados en este tipo de aprendizaje son:

Formular una teoría que caracterice un conjunto de elementos.

Descubrir regularidades en los datos.
34
Capítulo Tres
Marco Teórico
A continuación se describen dos algoritmos de clasificación que emplean el aprendizaje
inductivo de tipo de adquisición de datos para la construcción de definiciones inductivas.
Estos algoritmos constituyen la base de la metodología de Análisis Delictivo propuesta en
el presente trabajo.
3.3.1 Algoritmos tipo KORA
Los algoritmos de esta familia son extensiones del original algoritmo KORA-3 desarrollado
por M. Bongard para solucionar problemas de Geología y Geofísica en los años 60
[Bongard, 66]. Este algoritmo ocupa subconjuntos de rasgos descriptivos, de cardinalidad
tres, para caracterizar cada una de las clases en la muestra de supervisión de un problema
de clasificación supervisada. En 1998, este algoritmo es modificado y adopta el nuevo
nombre de Fuzzy Kora-Ω Algorithm [De la vega, Shulcloper, 98], siendo su característica
principal la de poder usar subconjuntos de rasgos de cualquier cardinalidad para la
caracterización de las clases; asimismo, este algoritmo introduce nuevos umbrales que
flexibilizan el tipo de caracterizaciones hechas.
El algoritmo KORA-Ω, en particular su fase de aprendizaje, desempeña un papel
fundamental es este trabajo de investigación, por lo que a continuación se presentan los
elementos teóricos previos para su comprensión y después se presenta el algoritmo mismo.
Conceptos Previos:
Un conjunto O  o1 ,..., on  de objetos en estudio, definidos por un conjunto de atributos o
rasgos descriptivos    x1 ,..., xr  , de manera tal que cada objeto
mediante una tupla
 x1 ( o i ), x 2 ( o i ),..., x r ( o i ) 
oi se
representa
llamada Patrón. Estos patrones son
colocados en una muestra de supervisión donde son clasificados en un conjunto
C  C1 ,..., Ck  de clases o categorías. El problema de clasificación supervisada consiste
en que, dado un conjunto P   P1 ,...Ps  de patrones nuevos sin clasificar, cada patrón debe
ser asignado a una de las
k clases conservando las propiedades de la muestra de referencia.
Los algoritmos de la familia KORA, para resolver este problema, construyen a partir de la
muestra de supervisión un conjunto de definiciones inductivas que caracterizan a cada una
de las clases contenidas en dicha muestra. Las definiciones inductivas se componen de
rasgos complejos, que no son otra cosa más que subconjuntos    de rasgos descriptivos
y sus valores asociados. En el caso del algoritmo original KORA-3 estos rasgos
descriptivos (también llamados Propiedades) son exclusivamente de cardinalidad tres; en
35
Capítulo Tres
Marco Teórico
posteriores extensiones al algoritmo se consideran subconjuntos de cualquier cardinalidad.
La familia de subconjuntos que sirven de referencia para la construcción de definiciones
inductivas se denomina Familia de Conjuntos de Apoyo.
Una familia de conjuntos de apoyo es un conjunto A  {1 ,  2 ,...,  g } donde  i   ,
i  1...g .
Un Rasgo Complejo o Propiedad de una clase tiene la forma:
rasgoi
 rasgoi1

m
Pi  
,...,





valor
valor
i
i

1
m

Una Propiedad es Característica de una clase
C i si ocurre  1 veces o más en esa clase y
 1 veces o menos en las otras clases. La constate  1 se denomina Umbral Positivo de
Caracterización Positiva y  1 se denomina Umbral Negativo de Caracterización Positiva,
donde 0  1  min C i , 0   1  m in C i y, generalmente
i
i
Una Propiedad es Complementaria de una clase
1  1.
C i si ocurre  2 veces o más en esa
clase y  2 veces o menos en las otras clases. La constate  2 se denomina Umbral Positivo
de Complementariedad y  2 se denomina Umbral Negativo de Complementariedad, donde
0   2  min C i , 0   2  m in C i y, generalmente  2   2.
i
i
Una Definición Inductiva Característica de una clase
C i es la unión de todas las
propiedades que son características en dicha clase:
 
   
 
D Ci  Pi1  Pi2  ...  Pim
 3.2 
De igual manera, una Definición Inductiva Complementaria, tiene la misma estructura pero
está conformada por propiedades complementarias en la clase.
36
Capítulo Tres
Marco Teórico
Algoritmo Kora-Ω:
Etapa de Aprendizaje
Determinar la familia de conjuntos de apoyo
2. Determinar los valores de los umbrales  1 ,  1
1.
3.
Calcular todas las propiedades características de cada clase.
Etapa de re-aprendizaje
4.
Determinar los valores de los umbrales  2 ,  2
5.
Calcular todos los rasgos complementarios de cada clase.
Etapa de clasificación
6.
Esquema de Votación: para cada patrón nuevo a clasificar, contabilizar el número
de propiedades que ocurren en cada una de las definiciones inductivas
características y complementarias.
7.
Regla de Solución: con base en el resultado anterior determinar a qué clase se
asigna el nuevo patrón y con qué grado de pertenencia.
Se puede encontrar más información en [De la vega, Shulcloper, 98], [Shulcloper,
Guzmán-Arenas, Martínez Trinidad, 99].
3.3.2 Algoritmo CR (Conjuntos Representantes)
Este algoritmo es una idea desarrollada por Baskakova y Zhuravlëv, en la cual se trata de
evaluar la evidencia disponible, a favor y en contra, de que un patrón pertenezca a una
determinada clase; para ello se construyen definiciones inductivas con propiedades
representantes Positivas y Negativas para cada una de las clases, así como una definición
inductiva Neutra para toda la muestra de supervisión. [Shulcloper, Guzmán-Arenas,
Martínez Trinidad, 99].
Las definiciones para trabajar con este algoritmo son muy similares a las expuestas en el
algoritmo Kora-Ω. Los rasgos complejos característicos de una clase C i forman una
definición inductiva positiva D   Ci  .
37
Capítulo Tres
Marco Teórico
Una Propiedad es Característica Negativa de una clase
Ci si aparece  2
veces o menos
en esa clase y  2 veces o más en las otras clases. La constate  2 se denomina Umbral
Positivo de Caracterización Negativa y  2 se denomina Umbral Negativo de
Caracterización Negativa, donde 0   2  min C i , 0   2  m in C i y, generalmente
i
i
 2   2 .
Una Definición Inductiva Negativa de una clase D   Ci  es la unión de todas las
propiedades que son características negativas en dicha clase, su estructura es idéntica a la
descrita en la fórmula 3.2.
Una Propiedad es Neutra en la Muestra de Supervisión
las clases, La constate

M S si aparece  veces en todas
se denomina Umbral de Neutralidad, donde 0    min C i .
i
Una Definición Inductiva Neutra de la Muestra de Supervisión D 0  MS  es la unión de
todas las propiedades neutras de la muestra de supervisión, su estructura es idéntica a la
descrita en la fórmula 3.2.
Algoritmo CR
Etapa de Aprendizaje
Determinar la familia de conjuntos de apoyo.
2. Determinar los valores de los umbrales  1 ,  1
1.
3.
Construir una definición inductiva positiva para cada clase D   C i  .
4.
Determinar los valores de los umbrales  2 ,  2
5.
Construir una definición inductiva negativa para cada clase D   C i  .
6.
Determinar los valores del umbral
7.
Construir una definición inductiva Neutra para toda la muestra de supervisión
D 0 MS  .
.
38
Capítulo Tres
Marco Teórico
Etapa de clasificación
8.
Esquema de Votación: para cada patrón nuevo a clasificar, contabilizar el número
de propiedades que ocurren en cada una de las definiciones inductivas
características y complementarias.
9.
Regla de Solución: con base en el resultado anterior determinar a qué clase se
asigna el nuevo patrón y con qué grado de pertenencia.
Para mayor información revisar: [Shulcloper, Guzmán-Arenas, Martínez Trinidad, 99],
[Shulcloper-Abidi, 02].
3.4 Predicción
3.4.1 Series de Tiempo
Una serie de tiempo es un conjunto de observaciones tomadas y medidas a lo largo del
tiempo. Estas observaciones pueden ser hechas de manera continua o de manera discreta.
[Chatfield, 00].
Un ejemplo de serie de tiempo discreta se observa en la Figura 12.
Robo de Vehículo 85
46
54
52
57
44
60
50
51
52
46
31
Figura 12. Vehículos robados durante el 2008 en un Sector de Vigilancia de la ciudad de Sacramento,
California, E.U.A.
Los principales objetivos del área de estudio conocida como Análisis de Series de Tiempo,
según [Chatfield, 00] son:
39
Capítulo Tres
Marco Teórico
a) Descripción. Busca explicar los datos o hecho registrados a través del tiempo
mediante estadística descriptiva.
b) Modelación. Determina modelos estadísticos que describan la forma en que se
generan los datos a través del tiempo.
c) Predicción. Estima los valores futuros de la serie con base en la información
existente.
d) Control. Un buena predicción de un serie de tiempo permite a los analistas tomas
acciones de control sobre un proceso que está siendo analizado.
Los principales componentes de una serie de tiempo según [Lind, Marchal, Wathen,
08] son:
a) Tendencia secular. Es la dirección uniforme de una serie de tiempo a largo plazo.
b) Variación estacional. representa la variabilidad en los datos debida a influencias de
las estaciones. Esta variación corresponde a los movimientos de la serie que
recurren año tras año en los mismos meses (o en los mismos trimestres) del año
poco más o menos con la misma intensidad.
c) Variación cíclica: Con frecuencia las series de tiempo presentan secuencias alternas
de puntos abajo y arriba de la línea de tendencia que duran más de un año, esta
variación se mantiene después de que se han eliminado las variaciones o tendencias
estacional e irregular.
d) Variación Irregular: Esta se debe a factores a corto plazo, imprevisibles y no
recurrentes que afectan a la serie de tiempo. Como este componente explica la
variabilidad aleatoria de la serie, es impredecible, es decir, no se puede esperar
predecir su impacto sobre la serie de tiempo.
Para el propósito de esta tesis, se describen a continuación, diversos métodos de predicción
para series de tiempo que se emplearon para comparar la metodología de predicción
propuesta.
1.
Promedio Móvil
El modelo de promedio móvil adopta la siguiente forma [Hanke, 08]:
Yt     t  1 t 1   2 t  2  ... q t  q
Donde:
Yt  Es la variable de respuesta en un tiempo t.
  Valor promedio que permanece constante durante todo el proceso.
40
Capítulo Tres
Marco Teórico
1 ,  2 ,...,  q  Coeficientes a ser estimados durante el proceso.
 t  Termino que representa en el error en un tiempo t.
 t 1 ,  t  2 ,...,  t  q  Errores anteriores al tiempo t, que se incorporan a la repuesta
de Yt .
Este modelo proporciona predicción para la variable dependiente de Y, con base en una
combinación lineal de un número finito de errores.
2.
Suavizamiento Exponencial Simple.
La característica principal de este método es dar (exponencialmente) mayor peso a las
observaciones más recientes en la predicción que a las más antiguas. Para este método se
toma en cuenta una constante de suavizamiento (α) que será determinada o estimada para
asignar el peso a las observaciones. La predicción estará formada por la suma de la
predicción anterior más una porción del error de la predicción. La ecuación y la definición
de variables para este método son las siguientes [Janacek, 2001]:
Ft 1   Yt  (1   ) F
Donde
Ft 1  Predicción del valor de la serie para el periodo t+1.
Yt  Valor real de la serie de tiempo en el periodo t
Ft  Predicción de la serie de tiempo para periodo anterior
  Constate de Suavizamiento con valores entre 0 y 1.
3.
Suavizamiento Exponencial Doble
El suavizamiento exponencial doble también es conocido como método de Holt y su
característica es que incorpora el componente de tendencia. Se llama suavizamiento
exponencial doble ya que tanto la estimación del promedio de los errores como la
estimación de la tendencia son suavizadas. La constante de suavizamiento α seguirá siendo
para el promedio, mientras que β, será la constante de suavizamiento para la tendencia. Las
fórmulas y la definición de variables para el desarrollo de este método se describen en
seguida [Janacek, 2001]:
Ft 1   Yt  (1   )(Yt 1  Tt 1 )
Tt   (Yt  Yt 1 )  (1   )Tt 1
41
Capítulo Tres
Marco Teórico
Donde:
Ft 1  Predicción del valor de la serie para el periodo t+1.
Yt  Valor real de la serie de tiempo en el periodo t
Ft  Predicción de la serie de tiempo para periodo anterior
 y   Constate de Suavizamiento con valores entre 0 y 1.
4.
A.R.I.M.A.
Es un modelo autorregresivo integrado de media móvil o A.R.I.M.A. (por su nombre en
inglés, AutoRegressive Integrated Moving Average) es un modelo estadístico que utiliza
variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para una
predicción hacia el futuro. Este modelo fue desarrollado a finales de los 60's. Box y Jenkins
(1976) lo sistematizaron.
ARIMA es un modelo con tres parámetros ARIMA  p, d , q  en donde [Janacek, 2001],
[Chatfield, 00], [Hanke, 08]:
p: Autoregresión
d: Integración o Diferenciación
q: Media Móvil
Para más información acerca de los métodos de predicción mencionados anteriormente se
recomienda [Chatfield, 00], [Hanke, 08] y [Lind, Marchal, Wathen, 08].
42
CAPÍTULO CUATRO
Análisis y Predicción Delictiva.
Se plantea la metodología a seguir para el desarrollo del Análisis Delictivo, así como el
algoritmo de predicción propuesto.
43
Capítulo Cuatro
Análisis y Predicción Delictiva
E
n éste capítulo se presentan, los fundamentos teóricos de la metodología
propuesta para análisis y predicción delictiva. En la primera parte, se muestra de
manera detallada el uso de técnicas de aprendizaje inductivo descritas en el
capítulo anterior, que permiten la construcción de definiciones inductivas; estas
definiciones permiten determinar aquellos espacios-tiempos que son afectados de manera
característica por alguna actividad delictiva. Asimismo, sienta las bases para la elaboración
de recomendaciones que impactan directamente en la reasignación de recursos humanos y
materiales que atiendan aquellas zonas con una incidencia delictiva mayor. Es importante
señalar que la metodología propuesta tiene como base la idea de impactar primeramente en
aquellas familias delictivas con presencia característica en un espacio-tiempo para
posteriormente impactar en aquellas actividades que no los son y de esta manera ir
reduciendo el índice delictivo de manera progresiva. Esta forma en que se pretende reducir
el índice delictivo, surge de la gran escasez de recursos que actualmente tienen todos los
organismos policiacos en el país, por lo que resulta casi imposible atender todas las
actividades delictivas que se presentan en una región de estudio de manera simultánea.
En la segunda parte se presenta la metodología de predicción empleada, con la cual se
determina la cantidad de delitos que, en cada familia delictiva, se espera ocurran en un
lugar determinado y en una unidad de tiempo posterior a la cubierta por el universo de
estudio.
Todas las recomendaciones obtenidas de la metodología para el Análisis Delictivo, así
como el número de delitos que se obtiene de la predicción, establecen una base importante
en la planeación y toma de decisiones de seguridad pública.
La metodología propuesta permite la implementación de acciones de seguridad pública
preventivas y no de reacción, lo anterior con fundamento en lo que se menciona en:
“Las Políticas (o planes) de Seguridad deberían estar basadas en la
prevención de las conductas antisociales, delictivas y no delictivas, más que
en soluciones de tipo represivo. Es más, el problema de la seguridad
debería ser abordado desde políticas sociales que contemplen en su diseño
la participación activa de toda la sociedad. Los planes de prevención que no
cumplen con los requisitos básicos de tener en cuenta la realidad, la
dimensión social del problema, la articulación con otros planes y el
monitoreo periódico, están destinados al fracaso. Pero sobre todo
fracasarán si no están formulados sobre la base de un diagnóstico que esté
dentro de un marco teórico adecuado” [Arango-Lara (2), 2008].
44
Capítulo Cuatro
Análisis y Predicción Delictiva
4.1 Modelo de Análisis Delictivo
4.1.1 Universo de Estudio
Está integrado por diferentes hechos delictivos registrados dentro de una región de estudio
y en un periodo de tiempo determinado. Para el nivel de análisis que se propone en la
presente tesis es necesario que cada uno de estos hechos contenga información relativa a su
ubicación espacial y temporal.
4.1.2
Proceso de Aprendizaje
Antes de comenzar con el proceso de aprendizaje, es necesario introducir un nuevo
concepto denominado Índice de Ocurrencia. Este índice nos permite observar qué tanto se
presenta una familia delictiva dentro de un espacio-tiempo seleccionado con respecto a las
otras familias. El Índice de Ocurrencia ( I ) de cada propiedad espacio-temporal ( P ) en
cada clase (Ci ) o familia delictiva está dado por
I Ci  P  
nPCi
nP
0  I Ci  P   1
(4.1)
Donde nPCi es el número de ocurrencias de la propiedad ( P ) en la familia delictiva (Ci ) ,
y nP es el número total de ocurrencia de la propiedad ( P ) en toda la clasificación de
referencia.
El proceso de Análisis Delictivo comienza a partir de un universo de estudio generalmente
integrado en una gran base de datos delictiva, donde cada uno de los hechos delictivos
registrados en ella deben de ser representados como un patrón delictivo que consta de tres
componentes:
Patron Delictivo   Hecho Delictivo , Localización Espacial , Localización Temporal


Hecho delictivo.- específica el tipo de delito ocurrido (robo, violación,
homicidio, etc.), así como muchas de sus características, como pueden ser el
45
Capítulo Cuatro


Análisis y Predicción Delictiva
grado de violencia, número de sospechosos implicados, tipo de armamento
empleado, modus operandi1, etc.
Localización Espacial.- especifica en lugar donde se presentó el fenómeno
delictivo (Sector de Vigilancia, colonia, calle, etc.)
Ubicación Temporal.- indica en el momento en que ocurrió el hecho delictivo
(año, mes, día, hora, etc.)
Una vez que se tienen los patrones delictivos, el proceso de aprendizaje comienza con el
desarrollo de las siguientes tres fases: construir una clasificación de referencia, construir
dos definiciones inductivas, una positiva y una negativa para cada familia delictiva y,
finalmente construir una definición inductiva neutra para todas las familias delictivas. A
continuación cada una de estas etapas es descrita:
4.1.2.1 Construcción de una Clasificación de Referencia.
Una vez que cada hecho delictivo es transformado en un patrón delictivo, el siguiente paso
es construir una clasificación de referencia. Para construir esa clasificación, todos los
patrones son agrupados en familias delictivas de acuerdo al tipo de medidas preventivas,
materiales y recurso logísticos necesarios para prevenirlos. La selección del número y
naturaleza de estas familias (clases) depende de las políticas y estrategias locales. Es
importante señalar, que muchas ocasiones la clasificación jurídica de los delitos puede no
ser útil para efecto de lo que se busca pues resulta más relevante crear familias delictivas
que agrupen hechos delictivos que tengan en común ciertos recursos necesarios para su
prevención y combate.
4.1.2.2 Construcción de definiciones inductivas.
En esta etapa es necesario determinar el subconjunto de rasgos que cada patrón deberá
contener para formar las propiedades que serán buscadas dentro de la clasificación de
referencia. Una propiedad se define como un subconjunto de rasgos que cada patrón tiene
con su respectivo valor asociado. Las propiedades deben incluir componentes espaciales y
temporales:
rasgoi
 rasgoi1
q
Pi  
,...,
 valori1   valoriq
1




Expresión empleada, fundamentalmente en criminalística, para hacer referencia al modo característico de actuar de un
delincuente. También en criminalística se puede interpretar como el análisis de los esquemas intelectuales, estrategias y
diversas formas utilizadas comúnmente en la comisión de secuestros, robos y delincuencia organizada.
46
Capítulo Cuatro
Análisis y Predicción Delictiva
Una vez que las propiedades son definidas, una consulta sobre la clasificación de referencia
es realizada. Todas aquellas propiedades que aparezcan más comúnmente en una clase y
menos en otras son consideradas como Características positivas de la clase. La unión de
propiedades características positivas de una clase (Ci ) forma una Definición Inductiva
positiva de dicha clase con la siguiente estructura:
C

i
:

C
Propiedad i
1

C
Propiedad i
2
  ...  
C
Propiedad i
mi

De igual forma todas aquellas propiedades que aparezcan poco en una clase y mucho en las
otras son consideradas como Características negativas de la clase. La unió de propiedades
características negativas de una clase ( Ci ) forma una Definición Inductiva negativa de
dicha clase con la siguiente estructura:
C

i
:

C
Propiedad i
1

C
Propiedad i
2
  ...  
C
Propiedad i
mi

La presente metodología propone la construcción de ambas definiciones inductivas para
cada clase de estudio. Estas definiciones se construyen de la siguiente manera:
a) Definición Inductiva Positiva D   Ci 
i. Inicializar el umbral
1
(Umbral Positivo de Caracterización Positiva) entre 0 y 1.
ii. Determinar el Índice de Ocurrencia  I  de cada propiedad espacio-temporal  P  en
cada clase (Ci ) .
iii. Todas las propiedades espacio-temporales con un Índice de Ocurrencia mayor o igual
a
1
son consideradas para ser incluidas en la definición inductiva positiva. Cuando
el umbral
1
se establece con valor mayor o igual a 0.51, las propiedades que
conforman una definición inductiva forzosamente deben ser propiedades
características, pues su Índice de Ocurrencia debió superar al umbral, garantizando
con ello, que más del 50 % de ocurrencia de esa propiedad se observan en la familia
delictiva caracterizada. Sin embargo, también es posible construir definiciones
inductivas con propiedades no-características
47
( ICi  P   1 ) , en cuyo caso, la
Capítulo Cuatro
Análisis y Predicción Delictiva
propiedad ocurre en la clase caracterizada menos del 50% del total de sus ocurrencias
y, por tanto, puede ser parte de la definición inductivas en más de una familia
delictiva.
b) Definición Inductiva Negativa D   Ci 
i. Inicializar dos umbrales
2  2
(Umbral Positivo de Caracterización Negativa y
Umbral de Presencia para Caracterización Negativa respectivamente) entre 0 y 1.
ii. Todas las propiedades espacio-temporales con un Índice de Ocurrencia menor a un
umbral
2
y con una aparición en el
 2 porciento de las otras clases son incluidos
en la definición inductiva de la clase.
iii. El umbral
2
indica el valor máximo del Índice de Ocurrencia, que una propiedad
debe tener para ser considerada como característica negativa. El umbral
 2 define
el mínimo porcentaje de otras clases en que la propiedad debe aparecer para ser
considerada como característica negativa.
4.1.2.3 Construcción de una definición neutra D 0  MS 
Todas aquellas propiedades que se presenten con un número de ocurrencias igual o similar
en la mayoría de las familias delictivas son consideradas como propiedades neutras. La
unión de propiedades neutras forma una Definición neutra de la clasificación de referencia
(con la siguiente estructura:
D : Propiedad1  Propiedad 2   ...  Propiedad m0 
0
a) Inicializar dos umbrales
3 y 3 (Umbral de Holgura entre Clases y Umbral de
Porcentaje de Presencia para Caracterización Neutra respectivamente) entre 0 y 1.
b) Determinar el Índice de Ocurrencia ( I Ci ) de cada propiedad ( P ) en todas las clases
mediante (4.1).
48
Capítulo Cuatro
Análisis y Predicción Delictiva
c) Determinar el valor máximo del Índice de Ocurrencia de cada propiedad en cualquier
clase Max{I Ci ( P )} .
Ci MS
d) Para que una propiedad ( P ) sea incluida en la definición inductiva neutra, esta debe
de satisfacer la siguiente condición:
I Ci ( P )
 3
Max{I C1 ( P )}
CiMS
e) Finalmente, el número de propiedades que deben cumplir la condición anterior deben
de ser cuando menos 3 por ciento de todas las clases.
Una vez que la etapa de análisis es terminada, las definiciones inductivas positivas,
negativas y neutra son integradas de la siguiente manera:
Tabla 1 Definiciones Inductivas


 
 Propiedad   ...  Propiedad 
C
C1  Propiedad1 1  ...  PropiedadCm11

1
C
C1
1
C1
m1
.
.
.
.
.
.

 

 Propiedad   ...  Propiedad 
Ck  Propiedad C1 k  ...  Propiedad Cmkk
Ck
Familia Delictiva #1
Ck
Familia Delictiva #k
Ck
mk
1

D 0  Propiedad1  ...  Propiedad m0
49

Capítulo Cuatro
Análisis y Predicción Delictiva
4.1.2.4 Interpretación
Con base en las definiciones inductivas obtenidas durante el proceso de aprendizaje se
establecen los siguientes criterios que deben ser tomados en cuenta durante la creación de
planes preventivos de seguridad pública:
a)
Las propiedades características contenidas en una definición inductiva positiva
constituyen aquellos espacio-tiempos que son afectados por la ocurrencia, de forma
característica, de alguna familia delictiva y, por lo tanto, sugieren cuándo y dónde se
deben incrementar las actividades de patrullaje y vigilancia en concordancia con el
tipo de actividad delictiva de que se trate. Es importante recordar que la estrategia que
se plantea en la presente metodología para el Análisis Delictivo, parte de la necesidad
de aprovechar de manera eficaz y eficiente los recursos económicos, humanos y
materiales de que dispone la policía, por lo que primeramente se propone enfocar
todos los esfuerzos policiacos a aquellos espacio-tempos característicos de cada una
de las actividades delictivas y con esto logar disminuir de manera escalonada el
índice delictivo dentro de la región de estudio. Esta información puede ser empleada
en la planeación de acciones de seguridad pública a nivel de sectores de vigilancia.
b)
Las definiciones inductivas positivas, construidas con propiedades no-características,
tienen la misma semántica que las descritas en el párrafo anterior (señalan las familias
delictivas que deben ser atendidas de forma inmediata). Sin embargo, no expresan
una necesidad tan apremiante de atención como lo haces las definiciones formadas
por propiedades características. La decisión de atender más de una actividad delictiva,
depende única y exclusivamente de la cantidad de recursos económicos, humanos y
materiales de que dispone la policía. En tal caso, el umbral de caracterización positiva
1 (Umbral Positivo de Caracterización Positiva), debe ser establecido con un valor
menor a 0.51 para lograr el efecto deseado.
c)
Las propiedades características negativas constituyen aquellos espacio-tiempos donde
se sugiere traer recursos para atender otros que requieran una mayor atención, cabe
señalar que una propiedad de este tipo solo implica que en un espacio-tiempo no
ocurrirá de manera característica una actividad delictiva, pero no significa que no
ocurrirán otras, por lo que la reasignación de recursos debe de ser solo aquellos
destinados a atender aquellas actividades no características, sin dejar elementos
necesarios de vigilancia que atiendan a otras actividades.
d)
Las propiedades neutras revisten una gran importancia dentro del Análisis Delictivo
que se propone, ya que estas propiedades son aquellos espacio-tiempos en los cuales
se presentan la mayoría de actividades delictivas y, en consecuencia, presentan
50
Capítulo Cuatro
Análisis y Predicción Delictiva
grandes problemas de inseguridad. Estas propiedades proponen la aplicación de
campañas más intensas de vigilancia, así como la aplicación de campañas preventivas
e informativas.
4.2.
Predicción
La metodología propuesta en esta etapa, permite predecir el número de delitos que ocurrirá,
de cada una de las familias delictivas consideradas, dentro de una unidad espacial
determinada (Sectores de Vigilancia, Colonias, Calles, etc.) y en la próxima unidad de
tiempo contenida en la base de datos de referencia (Mes, Semana, Día), esta unidad de
tiempo generalmente es el mes del año. Sin embargo es factible reducir esta unidad hasta el
nivel de día, lo anterior dependerá de la frecuencia con que sean elaborados los planes
preventivos de seguridad pública dentro de la región de estudios y en los cuales se incluyen
las recomendaciones obtenidas de la interpretación planteadas en la sección anterior.
La metodología de predicción consta de cuatro etapas: Selección de una unidad espaciotemporal a ser predicha, análisis del comportamiento histórico de la actividad delictiva en la
unidad espacio-temporal durante todo el período de la base datos de referencia, análisis del
comportamiento de la actividad delictiva en la unidad espacio-temporal seleccionada, pero
sólo durante los últimos doce meses y, por último, la construcción de la predicción
resultante.
4.2.1. Selección de la unidad espacio-temporal a predecir.
Debido a la naturaleza continua de los diferentes tipos de análisis a realizar, la unidad de
tiempo a ser predicha debe de ser siempre la subsecuente a la contenida en la base de datos
de referencia. Por lo que únicamente se debe seleccionar la unida espacial a pronosticar.
4.2.2.
Análisis Histórico
Este análisis plantea que en ciertos periodos del año algunas familias delictivas son más
comunes que otras y que además tiende a comportarse casi de manera periódica a través de
los años.
Para realizar el análisis, todos los delitos de cada familia delictiva son seleccionados y
contados dentro de la unidad espacio-temporal seleccionada y en cada uno de los años de
toda la base de datos de referencia.
51
Capítulo Cuatro
4.2.3.
Análisis y Predicción Delictiva
Análisis del los 12 últimos meses
Este análisis se desarrolla de manera similar al descrito en el párrafo anterior, con la
diferencia de que los delitos de cada familia delictiva son seleccionados y contados dentro
de la unidad espacial seleccionada durante los últimos 12 últimos meses de la base de datos
de referencia. Lo anterior con el objeto de determinar la tendencia que actualmente tiene
cada familia delictiva en el espacio seleccionado.
4.2.4.
Predicción Final
El número de delitos predichos ( F ) , pertenecientes a la familia delictiva ( c ), observados
dentro de la unidad espacial ( s ) y durante la unidad de tiempo ( t ), está determinado por:
F  c, s , t     f ( c, s , t )     g ( c, s , t ) 
(4.2)
Donde:
f ( c, s , t )
Predicción parcial obtenida del análisis histórico de delitos, de cada
familia delictiva, observados dentro de la unidad espacio-temporal
seleccionada, pero durante la misma unidad de tiempo (usualmente el mes
de la año) de cada año disponible en la base de datos de referencia. La
unidad en que se expresa esta predicción es número de delitos.
g (c, s, t )
Predicción parcial obtenida del análisis de delitos (misma familia delictiva
y misma unidad espacial) observados durante los 12 últimos meses en la
base de datos de referencia. La unidad en que se expresa esta predicción
es número de delitos.
, 
Valores de ponderación asignados a cada una de las predicciones
anteriores.
El propósito de las dos predicciones parciales es aproximar la tendencia observada en el
espacio-tiempo seleccionado. Cuando la tendencia es conocida es posible predecir el
siguiente valor únicamente con observar el último valor en la base de datos de referencia.
Para alcanzar esta predicción la herramienta básica a ser usada es simplemente una consulta
a la base de datos para contar el número de delitos, de una familia delictiva especifica ( c ) y
observada dentro un espacio y tiempo especifico ( s , t ).
52
Capítulo Cuatro
Análisis y Predicción Delictiva
Sea  ( t )  número de delitos, de una familia delictiva especifica ( c ) y observada dentro
un espacio y tiempo especifico ( s , t ).
Se tiene que ambas predicciones parciales pueden ser expresadas como:
f  c, s , t    (t  1) 
1
K1
último año
  (t  p )   (t  p  1) 
p  primer año
1
g  c , s , t    (t  1) 
K1
(4.3)
11
  (t  p )   (t  p  1) 
p 1
(4.4)
Donde K 1 y K 2 son igual a la suma de cambios en el incremento y decremento en el
número de delitos a través del tiempo.
53
CAPÍTULO CINCO
Resultados experimentales.
Se detallan los resultados obtenidos de diferentes experimentos realizados siguiendo la
metodología para el Análisis y Predicción Delictiva propuesta.
42
Capítulo Cinco
5.1
Resultados Experimentales
Universo de Estudio
Para los experimentos realizados en esta sección, se empleó como universo de estudio una
base de datos de hechos delictivos registrados en la ciudad de Sacramento, en el estado de
California, E.U.A. Esta información se encuentra disponible para el público en general a
través
de
la
página
de
su
departamento
de
policía
en
http://www.sacpd.org/crime/stats/reports/.
5.1.1 Sacramento, California, E.U.A.
Sacramento es la capital del estado de California, en los Estados Unidos. Situada en el
interior, al Norte del Área de la Bahía de San Francisco, es de menor tamaño e importancia
económica que Los Ángeles, San Francisco, San Diego y San José las otras cuatro
principales ciudades californianas. Según el censo de 2000 tenía una población de 407.018
habitantes, en 2005 contaba con 456.4411 y en 2007 de 467.343, en la actualidad cuenta
con una población estimada de 486,990. Es la séptima ciudad más poblada de California.
Figura 13. Mapa de Sacramento, California E.U.A.
55
Capítulo Cinco
Resultados Experimentales
5.1.2 Consideraciones importantes sobre la base de datos
La base de datos contiene información delictiva desde enero del 1997 hasta el mes mayo
del 2009.
Los hechos delictivos contenidos en la base de datos empleada contiene la siguiente
información:

Hecho delictivo. Contiene información relativa al tipo de delito que aconteció
(Robo, Violación, Homicidio, etc.).

Ubicación Temporal. Cada uno de los hechos delictivos están ubicados en tiempo
con suficiente nivel de detalle (año, mes, día y hora).

Ubicación Espacial. Cada uno de los hechos delictivos están ubicados en espacio
con suficiente nivel de detalle (Distritos, Beats, Grids y coordenadas en “x” y “y”).
Sobre este aspecto, el departamento de policía de Sacramento, para ubicar en espacio cada
hecho delictivo, divide el mapa de la ciudad en seis (6) distritos. Los distritos a su vez son
divididos en sectores de vigilancia denominados “Beats”, a los cuales son asignados las
patrullas de vigilancia (19 Beats en total); cada sector o Beat es a su vez dividido en
subsectores más pequeños denominados “Grids”. La Figura 14 muestra esta división
territorial.
Con respecto al párrafo anterior, es conveniente señalar que en México un problema con el
que se enfrentas las oficinas de Análisis Delictivo, es que en cada nueva administración
política tiende a cambiar sus sectores de vigilancia dentro de una determinada región, esto
provoca que un delito que fue ubicado en un Sector de Vigilancia en una administración
anterior, no corresponda con la actual división sectorial. Esto provoca que sea muy difícil
establecer una tendencia correcta del comportamiento de una familia delictiva dentro de
una región de estudio. Esta situación es manejada de una forma muy sencilla en el
departamento de policía del Sacramento al dividir todo el territorio en “Grids”, esta última
división es fija y nunca cambia, lo que permite que aunque existan múltiples
reasignaciones de sectores de vigilancia, cada hecho delictivo se puede ubicar mediante su
“Grid”.
El Departamento de policía de Sacramento, establece, que el margen de error existente en
su base de datos es aproximadamente del 10 %, debido a que los datos son producidos a
través de un conjunto de procesos muy complejos. Sin embargo, se desconoce el método
específico para calcular dicho margen de error.
56
Capítulo Cinco
Resultados Experimentales
Figura 14. División Territorial por sectores de vigilancia de la ciudad de Sacramento, california, E.U.A.
57
Capítulo Cinco
Resultados Experimentales
A continuación se describen diversos experimentos realizados, con el propósito de probar la
metodología de predicción delictiva propuesta.
5.2
Análisis Delictivo (Experimento 1)
5.2.1 Objetivo del experimento 1
Aplicar la metodología propuesta de Análisis Delictivo para determinar lo siguiente:
1. Cuáles son las familias delictivas que están ocurriendo de manera notable
(característica o no-característica) dentro de la región de estudio.
2. Cuáles son las épocas del año y horarios en que estas actividades delictivas son
más propensas a cometerse.
3. Los espacio-tiempos de los cuales es posible extraer recursos humanos y materiales
para reasignar a la prevención de familias delictivas que están ocurriendo de
manera notables (característica o no-característica).
4. Finalmente, cuáles son los espacio-tiempos en donde se presentan la mayoría de las
familias delictivas.
Para probar la metodología, se emplearon 152,802 hechos delictivos registrados en la base
de datos de referencia durante el periodo de Enero del 2004 a diciembre de 2009.
5.2.2 Construcción de una clasificación de referencia
Se seleccionaron las 16 familias delictivas con más cantidad de hechos delictivos e impacto
en la sociedad para ser consideradas como clases delictivas dentro del experimento.
Cada uno de los hechos delictivos fue convertido en patrones delictivos y agrupados dentro
de una clase delictiva.
a. La unidad espacial empleada para cada patrón delictivo fue el Sector de
Vigilancia.
b. Las unidades de tiempo empleadas para cada patrón delictivo fueron el mes del
año y el octante horario. Este último se determina dividiendo las 24 horas del día
en ocho octantes de tres horas cada uno y sustituyendo la hora del hecho delictivo
por el Octante Horario que le corresponda. En la Tabla 2 se muestran los Octantes
Horarios resultantes.
58
Capítulo Cinco
Resultados Experimentales
Cada patrón delictivo quedo formado de la siguiente forma:
Sector de Vigilancia, Mes, Octante Horario
PCi  

1A,
8
Enero,


Tabla 2 Octantes horarios
Octante Horario
Horas Cubiertas
1
(00:01-03:00 hrs)
2
(03:01-06:00 hrs)
3
(06:01-09:00 hrs)
4
(09:01-12:00 hrs)
5
(12:01-15:00 hrs)
6
(15:01-18:00 hrs)
7
(18:01-21:00 hrs)
8
(21:01-00:00 hrs)
En la Tabla 3 se muestran las familias delictivas empleadas y el número de patrones
delictivos agrupados en cada una de ellas.
Tabla 3 Familias delictivas y sus patrones
No. de Clase
Clase Delictiva
No de Patrones
1
Robo de Vehículo
28,816
2
Robo
451
3
Robo a casa habitación
18,735
4
Robo a negocio
7,827
5
Vandalismo de poco Impacto < 400 dólares
10,269
6
Vandalismo de Gran Impacto > 400 dólares
5,229
7
Asalto de poco Impacto (Robo Hormiga)
27,934
8
Asalto de gran Impacto
6,583
9
Accidentes de Trafico
10,610
10
Delitos Sexuales
3,439
11
Violencia Domestica
11,614
12
Actividades de Pandilla
3,005
13
Delitos relacionados con armas
7,233
14
Homicidio
348
15
Riñas
5,695
16
Delitos Contra la Salud
5,014
Total
152,802
59
Capítulo Cinco
5.2.4
Resultados Experimentales
Construcción de definiciones inductivas
En la Tabla 4 se muestran los umbrales empleados en la construcción de las definiciones
inductivas:
Tabla 4 Umbrales empleados en la construcción de definiciones inductivas.
Umbral
1 (Umbral Positivo de Caracterización Positiva)
 2 (Umbral Positivo de Caracterización Negativa)
 2
(Umbral de Presencia para Caracterización Negativa)
Valor
0.40
0
0.80
3 ((Umbral de Holgura entre Clases)
0.65
3 (Umbral de Porcentaje de Presencia para Caracterización Neutra)
0.45
Usando la metodología propuesta en el capitulo anterior, fueron encontradas todas las
propiedades espacio-temporales características positivas y negativas de cada una de las
familias delictivas, así como el número de sectores de vigilancia en que estas familias son
características. La Tabla 5 muestra estos resultados.
Finalmente, las propiedades espacio-temporales neutras de todas las familias delictivas
fueron encontradas. La Tabla 6 muestra estos resultados.
5.2.5
Conclusiones del Experimento 1
Algunas de las conclusiones que se pueden obtener de la experimentación realizada son las
siguientes:
a. De la Tabla 5 se puede determinar que las familias delictivas que tienen mayor
impacto en la ciudad de Sacramento, California, E.U.A. son: el robo de
vehículo y el robo a casa habitación. El robo de vehículo afecta de manera
característica a 8 Sectores de Vigilancia mientras que el robo a casa habitación a
10 de ellos. Estas actividades suceden de manera característica en todo el año.
Los octantes horarios más comunes para el robo de vehículo son: 1, 2, 7 y 8, es
decir en un horario de entre de las 6 de la tarde y las 6 de la mañana.
b. Por otra parte, en la misma tabla se aprecia que otras actividades delictivas
importantes son: el robo a negocio y el robo de poco impacto, este último afecta
fuertemente sólo a dos sectores de vigilancia, durante todo el año y en un
horario de entre las 9 de la mañana y 9 de la noche.
60
Capítulo Cinco
Resultados Experimentales
c. Igualmente, es posible observar que existen 27 propiedades características
negativas de la clase de robo a casa habitación y 878 de la clase de homicidio,
que nos indican espacio-tiempos en donde no suceden de manera característica
estas actividades delictivas y por lo tanto es posible reasignar recursos humanos
y materiales a otros espacio-tiempos donde se requieran.
d. Finalmente, es importante señalar que las conclusiones obtenidas se obtienen de
manera directa del resumen de propiedades características positivas y negativas
encontradas. Sin embargo, es posible conseguir conclusiones más específicas
como el mes del año en que es más común el robo de vehículo. Esto último se
logra analizando de manera detallada cada una las propiedades espaciotemporales obtenidas en la experimentación.
Tabla 5 Número de propiedades espacio-temporales características positivas y negativas encontradas.
Familia Delictiva
# de
# de
Propiedades
Propiedades
Características Características
Positivas
Negativas
Sectores de
Meses en que
Vigilancia en
la familia
que la familia
delictiva es
delictiva es
característica.
característica.
1A, 1B, 2C,
3B, 3C, 3M,
4A, 4C
0
1C, 2B, 4A,
4B, 4C, 5A,
5B, 5C 6A, 6B
Todos los
meses del año
Octantes
Horarios en
que la
familia
delictiva es
característica
Robo de Vehículo
41
5
Robo
0
802
Robo a casa habitación
27
27
Robo a negocio
2
68
3M, 6C
Agosto y
Febrero
2
0
8
0
0
0
0
63
0
0
0
43
0
2C, 3M
0
0
0
0
0
0
0
0
0
32
30
108
5
288
13
878
37
130
0
0
0
0
0
0
0
0
0
Vandalismo de poco Impacto <
400 dólares
Vandalismo de Gran Impacto >
400 dólares
Asalto de poco Impacto (Robo
Hormiga)
Asalto de gran Impacto
Accidentes de Trafico
Delitos Sexuales
Violencia Domestica
Actividades de Pandilla
Delitos relacionados con armas
Homicidio
Riñas
Delitos Contra la Salud
61
0
Todos los
meses del año
Todos los
meses del año
0
0
0
0
0
0
0
0
0
1, 2, 7 Y 8
0
3,4 Y 5
4,5,6,7
0
0
0
0
0
0
0
0
0
Capítulo Cinco
Resultados Experimentales
Tabla 6 Espacio-tiempos afectados por la mayoría de las familias delictivas
Sector de
# de Familias Delictivas que
Mes
Octante Horario
Vigilancia (Beat)
afectan al espacio-tiempo
3A
2B
2B
1C
6A
2B
6C
3A
1C
6B
2B
2A
2B
3A
6A
5A
3M
5.3
Febrero
Marzo
Marzo
Mayo
Junio
Julio
Agosto
Abril
Mayo
Junio
Agosto
Noviembre
Diciembre
Diciembre
Noviembre
Enero
Abril
2
7
8
8
8
1
6
7
2
2
2
2
1
2
1
2
2
7
10
6
9
8
7
7
10
6
10
8
6
9
6
9
9
7
Predicción delictiva (Experimento 2, 3 y 4)
5.3.1 Experimento 2
5.3.1.1 Objetivo del experimento 2
El objetivo principal del presente experimento consistió en probar y evaluar sobre los
meses de enero, febrero, marzo y abril del 2009 de la base de datos de Sacramento, la
metodología de predicción propuesta.
5.3.1.2 Selección de la unidad espacio-temporal a predecir
En este experimento se seleccionaron como unidades espaciales los 19 sectores de
vigilancia (beats) que conforman al estado de Sacramento y como unidad temporal el mes
del año.
5.3.1.3 Análisis Histórico
Para este análisis se ocuparon 5 años de hechos delictivos obtenidos de la base de datos de
referencia. Para predecir enero del 2009, se emplearon datos de enero del 2004 a diciembre
del 2008; para predecir febrero del 2009 los datos empleados fueron de febrero del 2004 a
enero del 2009, y así sucesivamente para los 4 meses en que se realizó la predicción.
62
Capítulo Cinco
Resultados Experimentales
5.3.1.4 Análisis del los 12 últimos meses
Para este análisis únicamente se ocuparon los 12 meses anteriores a cada uno de los meses a
predecir. Para enero del 2009, los hechos delictivos seleccionados fueron tomados de enero
del 2008 a diciembre del 2008, Para febrero del 2009, los hechos fueron de febrero del
2008 a enero del 2009, y así sucesivamente.
5.3.1.5 Predicción Final
La predicción se realizó para todas las familias delictivas y en cada una de las propiedades
espacio-temporales seleccionadas.
Los valores de los pesos asignados a cada uno de los análisis anteriores fue: para el análisis
histórico,  = 0.2 y para el análisis de los 12 últimos meses  = 0.8. Estos valores se
obtuvieron mediante experimentación.
5.3.1.6 Evaluación del experimento 2
Para evaluar los resultados de la predicción realizada a cada propiedad espacio-temporal se
empleó el Error Cuadrático Medio definido por:
N
ECM 
e
p 1
2
p
N
(5.1)
Donde:
e p  Y p  Pp , Yp es la cantidad de delitos que ocurrieron de manera real en el espaciotiempo seleccionado y Pp es la cantidad de delitos predichos por la metodología.
En las Tablas 7, 8, 9 y 10 se muestran de manera general los resultados obtenidos en la
predicción realizada con la metodología propuesta sobre todas las familias delictivas y en
todos los espacios en los mese de enero, febrero, marzo y abril del 2009.
Finalmente, en la Tabla 11 Se muestra el resumen general de Errores Cuadráticos Medios
obtenidos por la metodología para cada uno de los meses en los que fue empleado.
63
Capítulo Cinco
Resultados Experimentales
Tabla 7 Predicción realizada sobre enero del 2009
Familia delictiva
Robo de Vehículo
Robo
Robo a casa habitación
Robo a negocio
Vandalismo de poco
Impacto < 400 dólares
Vandalismo de Gran
Impacto > 400 dólares
Asalto de poco Impacto
(Robo Hormiga)
Asalto de gran Impacto
Accidentes de Trafico
Delitos Sexuales
Violencia Domestica
Actividades de Pandilla
Delitos relacionados con
armas
Homicidio
Riñas
Delitos Contra la Salud
Total
417
11
328
135
# de delitos
predichos
por la
Metodología
propuesta
384
6
343
118
108
129
3.61
13.00
80
63
3
9.00
449
93
170
51
152
51
393
107
194
48
185
31
8.2
2.1
3.43
1.85
3.27
2.08
67.26
4.42
11.79
3.42
10.68
4.32
105
2
67
57
2,276
82
6
52
50
2,191
3.05
0.73
2.42
2.61
56.95*
9.32
0.53
5.84
6.79
299.21*
# real de
delitos
cometidos
(Ene-2009)
Error Medio
Predicción
propuesta.
(ECM)
10.04
1.15
6.48
2.93
100.89
1.32
42.05
8.58
* Para obtener el ECM y el Error Medio, es necesario que el valor mostrado sea dividido entre las 16 familias delictivas. En la Tabla
5.11 se muestran estos resultados.
Tabla 8 Predicción realizada sobre febrero del 2009
Familia delictiva
Robo de Vehículo
Robo
Robo a casa habitación
Robo a negocio
Vandalismo de poco
Impacto < 400 dólares
Vandalismo de Gran
Impacto > 400 dólares
Asalto de poco Impacto
(Robo Hormiga)
Asalto de gran Impacto
Accidentes de Trafico
Delitos Sexuales
Violencia Domestica
Actividades de Pandilla
Delitos relacionados con
armas
Homicidio
Riñas
Delitos Contra la Salud
Total
415
5
294
89
# de delitos
predichos
por la
Metodología
propuesta
402
11
325
127
152
114
4.12
16.95
61
79
2.45
6.00
403
86
159
39
159
60
432
95
174
46
159
49
7.83
3.44
3
1.99
2.6
1.91
61.32
11.84
9.00
3.95
6.74
3.63
88
1
57
51
2,119
100
2
65
59
2,239
2.38
0.4
2.49
1.97
50.33*
5.68
0.16
6.21
3.89
214.42*
# real de
delitos
cometidos
(Feb-2009)
Error Medio
Predicción
propuesta.
(ECM)
6.31
1.12
5.44
2.88
39.84
1.26
29.63
8.32
* Para obtener el ECM y el Error Medio, es necesario que el valor mostrado sea dividido entre las 16 familias delictivas. En la Tabla
5.11 se muestran estos resultados.
64
Capítulo Cinco
Resultados Experimentales
Tabla 9 Predicción realizada sobre marzo del 2009
Familia delictiva
Robo de Vehículo
Robo
Robo a casa habitación
Robo a negocio
Vandalismo de poco
Impacto < 400 dólares
Vandalismo de Gran
Impacto > 400 dólares
Asalto de poco Impacto
(Robo Hormiga)
Asalto de gran Impacto
Accidentes de Trafico
Delitos Sexuales
Violencia Domestica
Actividades de Pandilla
Delitos relacionados con
armas
Homicidio
Riñas
Delitos Contra la Salud
Total
385
7
385
97
# de delitos
predichos
por la
Metodología
propuesta
409
6
301
92
144
155
4.08
16.68
62
65
2.82
7.95
450
99
175
63
162
57
407
94
158
45
165
57
5.47
2.72
3.3
2.6
3.49
2.1
29.95
7.42
10.89
6.74
12.16
4.42
98
1
74
55
2,314
87
2
59
55
2,157
2.87
0.4
2.58
2.15
56.91*
8.26
0.16
6.68
4.63
285.84*
# real de
delitos
cometidos
(Mar-2009)
Error Medio
Predicción
propuesta.
(ECM)
8.89
1
8.71
3.73
79.05
1.00
75.89
13.95
* Para obtener el ECM y el Error Medio, es necesario que el valor mostrado sea dividido entre las 16 familias delictivas. En la Tabla
5.11 se muestran estos resultados.
Tabla 10 Predicción realizada sobre abril del 2009
Familia delictiva
Robo de Vehículo
Robo
Robo a casa habitación
Robo a negocio
Vandalismo de poco
Impacto < 400 dólares
Vandalismo de Gran
Impacto > 400 dólares
Asalto de poco Impacto
(Robo Hormiga)
Asalto de gran Impacto
Accidentes de Trafico
Delitos Sexuales
Violencia Domestica
Actividades de Pandilla
Delitos relacionados con
armas
Homicidio
Riñas
Delitos Contra la Salud
Total
362
9
314
76
# de delitos
predichos
por la
Metodología
propuesta
378
7
374
97
158
148
4.58
20.95
90
67
3.1
9.63
392
113
186
50
180
50
444
104
169
55
166
61
5.09
3.14
5.37
2.65
3.77
3.2
25.89
9.84
28.89
7.00
14.21
10.26
80
4
78
58
2,200
97
1
74
57
2,299
2.93
0.4
2
3.19
58.66*
8.58
0.16
4.00
10.16
274.47*
# real de
delitos
cometidos
(Abr-2009)
Error Medio
Predicción
propuesta.
(ECM)
7.74
0.97
7.33
3.2
59.89
0.95
53.79
10.26
* Para obtener el ECM y el Error Medio, es necesario que el valor mostrado sea dividido entre las 16 familias delictivas. En la Tabla
5.11 se muestran estos resultados.
65
Capítulo Cinco
Resultados Experimentales
Tabla 11 ECM general para cada uno de los meses predichos.
Mes
Enero 2009
Febrero 2009
Marzo 2009
Abril 2009
Error Medio
4.32
3.66
4.23
4.14
ECM
18.70
13.40
17.86
17.15
5.3.1.7 Conclusiones del experimento 2
Los resultados obtenidos en la experimentación muestran que la metodología propuesta
tiene una alta efectividad en la predicción de delitos, con un ECM máximo para el mes de
enero de 18.70 y un mínimo de 13.40 para el mes de febrero. Este resultado significa que,
en promedio, la metodología falla en menos de 5 ocurrencias por cada familia delictiva en
la predicción de cada mes. Esta precisión es más que aceptable para cualquier sistema
automático de predicción delictiva.
5.3.2 Experimento 3
5.3.2.1 Objetivo del experimento 3
El objetivo del presente experimento consiste determinar el grado de tolerancia de la
metodología de predicción propuesta cuando se cuenta con menos años en la base de datos
de referencia. La predicción fue hecha sobre el mes de febrero del 2009.
Para este experimento, la selección de la unidad espacio-temporal a predecir, el análisis del
los 12 últimos meses y los valores de los pesos asignados a cada uno de los análisis
continúan de la misma manera a la expuesta en el experimento anterior.
5.3.2.2 Análisis Histórico
En este experimento, el análisis se realizó reduciendo la cantidad de años tomados de la
base de datos de referencia. Primeramente se emplearon solo 4 años (Enero del 2005 a
diciembre del 2008), después 3 años (Enero del 2006 a diciembre del 2008), y así
sucesivamente hasta emplear solo el último año de la base de datos.
5.3.2.3 Evaluación del experimento 3.
Los resultados obtenidos de la experimentación se muestran en la Tabla 12.
66
Capítulo Cinco
Resultados Experimentales
Tabla 12 ECM obtenido al reducir la cantidad de años en la base de datos de referencia
# de años tomados de la
base de datos de
referencia
4 años (2005-2008)
3 años (2006-2008)
2 años (2007-2008)
1 año (2008)
Error Medio
ECM
(Febrero 2009)
3.67
3.67
3.69
3.7
13.50
13.50
13.60
13.70
5.3.2.4 Conclusiones del experimento 3
Los resultados obtenidos en la experimentación demuestran que la metodología de
predicción propuesta tiene una alta tolerancia a la reducción de datos al pasar de un ECM
de 13.50 utilizando 4 años de la muestra a 13.70 utilizando solo uno. Lo anterior permite
demostrar que la metodología arroja buenos resultados con un año de la base de datos de
referencia. Sin embargo el procesamiento que se emplea es muy poco y por lo tanto es
recomendable llevarlo a cabo con la mayor cantidad de datos disponibles.
5.3.3 Experimento 4
5.3.3.1 Objetivo del experimento 4
Con base en los resultados obtenidos en el experimento anterior, podría suponerse que el
análisis histórico que se propone en la metodología de predicción podría descartarse, ya que
el ECM aumenta muy poco cuando se emplea un año en este análisis.
El objetivo de este experimento consiste determinar que tanto influye en los resultados de
la metodología de predicción propuesta si no se considera el análisis histórico. La
predicción fue hecha sobre el mes de febrero del 2009.
Para este experimento, la selección de la unidad espacio-temporal a predecir, el análisis del
los 12 últimos meses y los valores de los pesos asignados a cada uno de los análisis
continúan de la misma manera a la expuesta en el experimento 2.
5.3.3.2 Evaluación del experimento 4
Los resultados obtenidos de la experimentación se muestran en la tabla 13.
Tabla 13 ECM obtenido al no considerarse el análisis histórico
ECM
(Febrero 2009)
16.99
Error Medio
4.12
67
Capítulo Cinco
Resultados Experimentales
5.3.3.3 Conclusiones del experimento 4
Los resultados obtenidos en la experimentación demuestran que la metodología de
predicción propuesta incrementa de manera considerable su ECM de 13.50 a 16.99 cuando
no se utiliza el análisis histórico. Lo que permite concluir que este análisis es necesario.
Además representa un costo computacional muy bajo para el sistema al requerir trabajar
solo con un dato por cada año de la base de datos de referencia.
5.3.4 Experimento 5
5.3.4.1 Objetivo del experimento 5
Este experimento tuvo como objetivo comparar la metodología de predicción propuesta con
los siguientes algoritmos empleados en el análisis y predicción de series de tiempo:
1. Probabilidad Bayesiana
2. Promedio Móvil (Calculado con MINITAB versión 15).
3. Suavizamiento Exponencial Doble (Calculado con MINITAB versión 15).
4. ARIMA (Calculado con MINITAB versión 15).
5.3.4.2 Consideraciones especiales
A fin de poder comparar de manera equitativa varios métodos de análisis y predicción de
Series de tiempo fue necesario tomar en cuenta lo siguiente:

Cada algoritmo trabajo con 60 datos. Cada dato corresponde al número de hechos
delictivos de cada familia, presentados en un espacio seleccionado (Sector de
Vigilancia) en cada uno de los meses de todo el universo de estudio (de enero del
2004 a Diciembre del 2008).

La predicción fue hecha sobre enero y febrero del 2009.
5.3.4.3 Análisis del los 12 últimos meses
La metodología de predicción propuesta únicamente ocupa los 12 meses anteriores a cada
uno de los meses a predecir. Sin embargo, a fin de trabajar con la misma cantidad de datos
que los otros algoritmos propuestos se realizaron los siguientes cambios sobre la
metodología propuesta:
1. El universo de estudio empleado se divide en años.
2. En cada año se realiza el análisis de los 12 últimos meses a fin de predecir el mes
propuesto en cada año.
68
Capítulo Cinco
Resultados Experimentales
3. Se determina la predicción ponderada parcial mediante:
último año

Pp  i Primer año
i .g (c, s, ti )
i
(5.2)
Donde:
Pp  Al promedio ponderado de la predicción realizada en el mes seleccionado en
todos los años del universo de estudio.
i = A una ponderación que se le da a la predicción realizada cada año del universo
de estudio. Entre más reciente sea el año recibe ponderaciones más altas.
4. Finalmente, se determina el error obtenido en cada una de las predicciones realizadas
a través de todo el universo de estudio mediante:
ep 
último año

i  Primer año
(Yi  g (c, s, ti ))
(5.3)
Donde:
e p  Al error obtenido en cada una de la predicciones parciales realizadas en todo
el universo de estudio.
Y= a la cantidad de hecho delictivos ocurridos realmente en el mes y año
seleccionado.
5.3.4.4 Predicción Final
La predicción final está dada por la siguiente fórmula:
PF =Pp  (.ep )
69
(5.4)
Capítulo Cinco
Resultados Experimentales
Donde:
 = a un factor que permite determinar el porcentaje de error que se le suma a la predicción
ponderada parcial a fin de obtener un mejor resultado.
 Toma valores entre 0 y 1.
5.3.4.5 Predicción bayesiana
La predicción bayesiana se realiza de la siguiente forma:
1) Haciendo uso del Teorema de Bayes, se calcula la probabilidad condicional de que,
delitos de una familia delictiva específica ocurran en un espacio-tiempo dado.
2) La probabilidad obtenida en el paso anterior se multiplica por el número promedio
de delitos, de cualquier familia delictiva, que ocurren en el espacio de referencia y
durante todos los meses contenidos en la muestra.
3) El producto así obtenido se interpreta como el número de delitos, de la familia
delictiva estudiada, que se predice ocurrirán, en el espacio y durante el tiempo
referidos.
5.3.4.6 Evaluación del experimento 5
La metodología de predicción propuesta emplea los siguientes parámetros:
  0.5
  2005  0.10,  2006  0.15,  2007  0.20,  2008  0.25,  2009  0.30

Los resultados obtenidos de la experimentación se muestran en la tabla 14.
Tabla 14 ECM obtenido de cada uno de los algoritmos de predicción propuestos
Algoritmo de predicción
Promedio Móvil MA(3)
Suavizamiento Exponencial
Doble
ARIMA (2,1,2)
Bayes
Metodología Propuesta
SIAPD
Error Medio
(Enero 2009)
3.99
ECM
(Enero 2009)
15.90
4.33
18.77
3.91
4.24
3.66
70
Error Medio
(Febrero 2009)
3.99
ECM
(Febrero 2009)
15.94
15.34
15.25
17.96
3.92
3.99
4.42
15.91
19.50
13.40
3.59
12.91
Capítulo Cinco
Resultados Experimentales
5.3.4.7 Conclusiones del experimento 5
Los resultados obtenidos en la experimentación muestran que la metodología de predicción
propuesta presenta un buen desempeño en comparación con otros algoritmos de predicción
empleados de manera clásica en este tipo de problemas. Por otra parte se muestra que la
metodología mejora de manera considerable al utilizar diferentes predicciones parciales y la
inclusión del error en la predicción final, disminuyendo el ECM que se tenía de 18.70 a
13.40 para el mes de enero del 2009 y de 13.50 a 12.91 para el mes de febrero del 2009.
Resulta relevante observar, en los resultados de este experimento, que no necesariamente
se tiene que trabajar únicamente con un solo algoritmo de predicción; el uso combinado de
varios de estos algoritmos puede arrojar información relevante para el analista delictivo, tal
es el caso de la predicción realizada sobre el mes de Enero del 2009 para el Sector de
Vigilancia 3A, en el cual, la predicción resultante en cada uno de los cinco métodos
empleados, es notoriamente semejante; sin embargo, el número real de delitos ocurridos
resulto muy superior a todos las predicciones realizadas. En la Tabla 15 se muestran esta
situación.
Tabla 15 Número de delitos predichos por cada algoritmo para el mes de enero del 2009 en el Sector de
Vigilancia 3A
Algoritmo de Predicción
# de delitos
predichos por cada
algoritmo
# de delitos
ocurridos
realmente
17
Promedio Móvil
Suavizamiento Exponencial
Doble
18
ARIMA
19
Bayes
17
SIAPD
18
32
Como podemos observar en la tabla anterior, todos los algoritmos predijeron un número
similar de delitos. Sin embargo, la cantidad real que se presento es casi el doble de lo
predicho, esto le muestra claramente al Analista Delictivo la posibilidad de que ese espaciotiempo haya existido un factor político, social, económico, etc. que haya tenido como
consecuencia un cambio notorio en la tendencia de comportamiento de la actividad
delictiva.
71
CAPÍTULO SEIS
Desarrollo de Aplicación.
Se detallan los aspectos relacionados al desarrollo de una aplicación informática que
permita probar la metodología de Análisis y Predicción Delictiva (SIAPD) propuesta.
72
Capítulo Seis
Desarrollo de Aplicación
E
n el presente capitulo, se detallan los aspectos de diseño e implementación de una
aplicación informática que permita incorporar y probar la metodología de
Análisis y Predicción Delictiva propuesta. La construcción de la aplicación tiene
como propósito permitir la realización de pruebas de funcionamiento de la metodología
teórica propuesta.
La metodología fue probada e implementada primeramente utilizando el lenguaje técnico
de computación “Matlab”. Sin embargo, este lenguaje matemático generalmente no
permite la visualización de resultados a través una intranet o de internet. Esta visualización
es necesaria para convertir la metodología propuesta en una verdadera herramienta de
Análisis y Predicción Delictiva que proporcione información de manera descentralizada a
cada uno de los elementos encargados de la elaboración de planes de seguridad pública
dentro de sus áreas de su responsabilidad. Estas áreas generalmente serán los sectores de
vigilancia en que es dividida la región de estudio y en donde se desarrollan las actividades
de patrullaje tendiente a disminuir el índice delictivo.
Con base en lo anterior, fue necesario diseñar y construir una aplicación informática que
incorpora la metodología de Análisis y Predicción delictiva con las siguientes
características:
1. Funciona dentro de una arquitectura cliente-servidor, a fin de que los resultados
obtenidos de cada uno de los diferentes análisis se encuentren disponibles en todo
momento, para múltiples usuarios y desde diferentes locaciones.
2. Toda la información delictiva histórica empleada en cada uno de los procesos
señalados, así como aquella que se vaya generando después de haberse
implementado la aplicación sea administrada de manera centralizada mediante una
base de datos.
3. Cada uno de los análisis propuestos deben de estar desarrollados de manera modular
para facilitar su administración, mejoramiento y facilidad de uso por parte de los
usuarios.
4. Cuenta con interfaces de usuario que permitan la configuración de diferentes
parámetros necesarios para los análisis.
A continuación se describe la forma en que la aplicación fue desarrollada para cumplir con
las características descritas arriba.
73
Capítulo Seis
6.1
Desarrollo de Aplicación
Arquitectura cliente-servidor
La arquitectura del SIAPD responde al modelo general denominado cliente-servidor. Esto
significa que en el mayor nivel de abstracción el sistema está compuesto por dos subsistemas: el primero de ellos, denominado servidor, realiza el contacto con la base de datos,
lleva a cabo los procesos de Análisis y Predicción delictiva y la elaboración de reportes
finales. El segundo sub-sistema, denominado cliente, tiene como función el de proporcionar
una interfaz con los usuarios.
Gracias a esta división de actividades entre los dos sub-sistemas, es posible dividir el
sistema de forma tal que ambos sub-sistemas se encuentren ubicados en computadoras
diferentes que pueden o no encontrarse físicamente en la misma ubicación. El mecanismo
de comunicación y sincronización entre los sub-sistemas es el protocolo http usado hoy en
día para la comunicación en la Internet. Esto posibilita que, de acuerdo a la arquitectura de
SIAPD, el sub-sistema servidor sea instalado en una computadora con mayor capacidad de
procesamiento, almacenamiento y con conexión hacia la Internet, o si se prefiere en una
Intranet, mientras que el sub-sistema cliente se puede encontrar en una o varias
computadoras de menor capacidad y costo. La base de datos y los programas que analizan
los datos se encontrara en el sub-sistema servidor. Cuando los datos han sido analizados, el
servidor recopila los resultados en archivos de tipo html, es decir, en formato de páginas
Web y los muestra a los clientes. Lo anterior permite, reducir la funcionalidad del subsistema cliente a simples labores de entrada-salida que pueden ser desempeñadas por
cualquier programa navegador de Web.
De esa forma, la arquitectura general del SIAPD puede resumirse en el diagrama mostrado
en la figura 15.
Figura 15. Arquitectura cliente-servidor empleada
74
Capítulo Seis
Desarrollo de Aplicación
La arquitectura presentada, es la indicada para soportar las necesidades de cualquier
organización encargada del Análisis Delictivo que lleva a cabo la planeación y elaboración
descentralizadas de planes preventivos de seguridad pública, producto de la división
territorial de cada región de estudio.
El servidor empleado para el desarrollo de la aplicación informática puede visualizarse
como un cerebro que desarrolla las siguientes actividades tendientes a proporcionar a los
clientes diferentes tipos de resultados del análisis y predicción delictiva realizada:






6.2
Mantiene una única copia de la base de datos sobre la que se realiza el análisis.
Acceso restringido, mediante claves de acceso, al personal autorizado para ver los
datos y realizar análisis sobre ellos.
Capacidad de consultar el proceso de Análisis y Predicción Delictiva, desde
cualquier ubicación y desde cualquier tipo de computadora.
Reducir al mínimo los requerimientos de la(s) computadoras clientes.
Contar con la facilidad de tener más de un cliente concurrente, no forzosamente
ubicados en el mismo sitio.
Capacidad para emitir reportes indexados por Sector de Vigilancia.
Base de Datos
La información delictiva utilizada durante los procesos de Análisis y Predicción Delictiva
es almacenada y administrada mediante una base de datos diseñada bajo el modelo
relacional. Esta base de datos se encuentra alojada en el lado del servidor, lo que permite
que múltiples usuarios acecen a ella de manera recurrente. Asimismo permite el
establecimiento de normas de seguridad que regulan el acceso a ella.
6.2.1. Diseño de la Base de Datos.
Para el diseño de la base de datos se empleo el modelo entidad-relación en donde se
considera información detallada de aspectos relacionados a la división territorial de la
región de estudio, hechos delictivos ocurridos en espacio y tiempo, así como sus
características más importantes.
En la figura 16 se muestra el modelo entidad-relación empleado.
75
Capítulo Seis
Desarrollo de Aplicación
Figura 16. Modelo entidad-relación de la aplicación informática desarrollada
6.2.2. Implementación de la Base de Datos.
Para la implementación del modelo entidad relación se empleo el manejador MySQL que
es un sistema de gestión de base de datos relacional, multihilo y multiusuario. Al contrario
de proyectos como Apache, donde el software es desarrollado por una comunidad pública y
el copyright del código está en poder del autor individual, MySQL es propietario y está
patrocinado por una empresa privada (SUN Microsystems), que posee el copyright de la
mayor parte del código.
MySQL es muy utilizado en aplicaciones Web, es una base de datos rápida en la lectura,
pero en la modificación de datos puede provocar problemas de integridad en entornos de
alta concurrencia. En aplicaciones Web hay baja concurrencia en la modificación de datos y
un entorno intensivo de lectura de datos, lo que hace a MySQL ideal para este tipo de
aplicaciones.
76
Capítulo Seis
Desarrollo de Aplicación
El manejador de bases de datos MySQL usado fue la versión 5.0 y fue elegido por ser el
manejador de software libre más usado, documentado y uno de los más poderosos, además
de que el flujo de datos en la aplicación informática propuesta no demanda un manejador
más poderoso como Oracle o Informix.
6.3
Módulos de la aplicación
La aplicación informática fue desarrollada de manera modular, a fin de que cada uno de los
procesos realizados durante el Análisis y Predicción Delictiva cuente con una interfaz
propia que administre al módulo de manera independiente, permita la configuración de
parámetros por parte de los usuarios y muestre los resultados obtenidos de cada análisis.
Cada uno de estos módulos fue implementado como una página web en el lado del servidor
utilizando el lenguaje interpretado de programación PHP que es ampliamente usado para
este propósito y puede ser incrustado dentro de código HTML.
Para el diseño de cada módulo se empleo la herramienta computacional CS3 de
DreamWeaver, la cual es una aplicación destinada para la construcción y edición de sitios y
aplicaciones basadas en estándares Web. Es uno de los programas de este tipo más
utilizados en el sector del diseño y la programación Web, por sus funcionalidades, su
integración con otras herramientas como Adobe Flash y, recientemente, por su soporte de
los estándares del World Wide Web Consortium.
Tiene soporte tanto para edición de imágenes como para animación a través de su
integración con otras herramientas.
Dreamweaver tiene alta compatibilidad entre la mayoría de los navegadores Web instalados
en el ordenador cliente para previsualizar las páginas Web. También dispone de
herramientas de administración de sitios dirigidas a principiantes, tales como, la habilidad
de encontrar y reemplazar líneas de texto y código por cualquier tipo de parámetro
especificado, hasta dentro del sitio Web completo. El panel de comportamientos también
permite crear código JavaScript básico sin contar con amplios conocimientos del lenguaje.
Un aspecto de alta consideración de Dreamweaver es su arquitectura extensible. Las
extensiones, tal y como se conocen, son pequeños programas, que cualquier desarrollador
Web puede escribir (normalmente en HTML y Javascript) y que cualquiera puede descargar
e instalar, ofreciendo así funcionalidades añadidas a la aplicación.
77
Capítulo Seis
Desarrollo de Aplicación
Los módulos implementados en la aplicación fueron:



Módulo de inicio de aplicación.
Módulo para el Análisis Delictivo.
Módulo de predicción delictiva.
A continuación se describe de manera detallada cada uno de estos módulos.
6.3.1. Módulo de inicio de aplicación
Este módulo tiene como objetivo principal servir de enlace entre los módulos encargados
de los diferentes análisis propuestos. Este módulo permite ejecutar la metodología para el
Análisis Delictivo.
Los parámetros de entrada configurable por el usuario son los siguientes:
1. Modelos de datos. Es posible seleccionar el modelo de datos al que se va a
realizar el análisis. Un modelo de datos puede ser considerado como una
clasificación de referencia única, cada clasificación de referencia puede contener
diferentes familias delictivas y hechos delictivos, el tipo de modelo a seleccionar
dependerá del tipo de estrategia policiaca a emplear.
2. Valores de cada uno de los umbrales empleados par la caracterización positiva,
negativa y neutra.
La figura 17 Muestra una esta página web.
78
Capítulo Seis
Desarrollo de Aplicación
(2)
Umbrales utilizado
para
la
caracterización
positiva, negativa y
neutra.
(1)
Permite seleccionar
el modelo de datos
a emplear en el
Análisis Delictivo.
Figura 17. Módulo integrador
6.3.2. Módulo para el Análisis Delictivo
Este módulo implementa la metodología para el Análisis Delictivo. Dentro de su estructura
interna cuenta con una programación hecha mediante PHP que establece una conexión con
la base de datos, a fin de extraer información relacionada con los hechos delictivos
suscitados dentro de cada uno de los sectores de vigilancia y poner en marcha los
algoritmos que permiten determinar todas la propiedades características positivas y
negativas de cada familia delictiva, así como aquellas propiedades neutras a todas la
familias. Estos procesos se desarrollan de manera interna dentro del módulo y ningún
usuario tiene acceso a estos. Sin embargo, el módulo cuenta con una interfaz de usuario que
permite la visualización de los resultados que se obtienen del Análisis Delictivo.
Esta interface contiene un panel de opciones que permite visualizar las propiedades
encontradas del análisis anterior mediante la selección de la familia delictiva, Sector de
Vigilancia, mes, tipo de caracterización.
En la figura 18 se muestran los parámetros de entrada configurables y los datos de salida
del módulo de Análisis Delictivo.
79
Panel de opciones que permite
visualizar las propiedades encontradas
del Análisis Delictivos, mediante la
selección de la familia delictiva,
Sector de Vigilancia, mes y tipo de
caracterización
Detalles específicos
de cada propiedad
espacio-temporal
encontrada.
Capítulo Seis
Desarrollo de Aplicación
Figura 18 Parámetros de entrada y salida del módulo de Análisis Delictivo.
80
Capítulo Seis
Desarrollo de Aplicación
6.3.3. Módulo para la predicción delictiva
Este módulo implementa la metodología de Predicción Delictiva. Dentro de su estructura
interna cuenta con una programación hecha mediante PHP que establece una conexión con
la base de datos, a fin de extraer información relacionada con los hechos delictivos
suscitados dentro de cada uno de los sectores de vigilancia y así poner en marcha la
metodología que permita determinar dentro de un espacio-tiempo seleccionado la cantidad
de hecho delictivos se espera que ocurran en una unidad temporal posterior a la contenida
en la base de datos de referencia. Estos procesos se desarrollan de manera interna dentro del
módulo y ningún usuario tiene acceso a estos. Sin embargo, el módulo cuenta con una
interfaz de usuario que permite la configuración de diferentes parámetros de entrada que
personaliza la forma en que se realiza la predicción. Los parámetros de entrada
configurable por el usuario son los siguientes:
1. Modelos de datos. Es posible seleccionar el modelo de datos al que se va a
realizar el análisis.
2. Espacio-Tiempo en donde se realizara la predicción (Sector de vigilancia y mes
del año).
Los datos de salida que el módulo muestra para cada familia delictiva una vez concluida la
predicción son:
3. La cantidad de delitos por cada familia delictiva se predice ocurrirán utilizando
probabilidad bayesiana en el espacio-tiempo seleccionado.
4. La cantidad de delitos por cada familia delictiva se predice ocurrirán utilizando
la metodología de predicción propuesta en el espacio-tiempo seleccionado.
5. El valor obtenido de cada uno de los análisis involucrados dentro de la
predicción delictiva.
6. Número de delitos que ocurrieron de manera real en el espacio tiempo
seleccionados. Este valor solo aparece para efectos de evaluar la eficiencia de la
metodología de predicción. Sin embrago, esta información no estará disponible
una vez implementada la aplicación.
81
Capítulo Seis
Desarrollo de Aplicación
7. Octantes horarios característicos de cada familia delictiva en el espacio-tiempo
seleccionado.
8. Octantes horarios en donde existen actividades delictivas comunes al espaciotiempo seleccionado.
En la figura 19 Se muestran los parámetros de entrada configurables en la interfaz y los
datos de salida del módulo de predicción delictiva.
Una vez desarrollados los módulos descritos arriba, se configuro en el lado del servidor un
servidor de páginas web. Este servidor permite que múltiples usuarios acecen a los módulos
de manera recurrente.
El servidor de páginas web empleado fue el servidor HTTP Apache de código abierto
para plataformas Unix (BSD, GNU/Linux, etc.), Windows, Macintosh y otras, que
implementa el protocolo HTTP/1.1 y la noción de sitio virtual.
Apache presenta entre otras características altamente configurables, bases de datos de
autenticación y negociado de contenido, pero fue criticado por la falta de una interfaz
gráfica que ayude en su configuración.
Apache tiene amplia aceptación en la red: desde 1996, Apache, es el servidor HTTP más
usado. Alcanzó su máxima cuota de mercado en 2005 siendo el servidor empleado en el
70% de los sitios web en el mundo, sin embargo ha sufrido un descenso en su cuota de
mercado en los últimos años. (Estadísticas históricas y de uso diario proporcionadas por
Netcraf).
82
(1)
Permite seleccionar
el modelo de datos
a emplear para el
Análisis Delictivo.
(2)
Permite seleccionar
el espacio-tiempo a
predecir.
(3)
Muestra
la
Predicción
Bayesiana.
(4)
Muestra
la
predicción realizada
con la metodología
de
predicción
propuesta.
(5)
Muestra el resultado
de
cada
análisis
involucrado en la
predicción propuesta.
(8)
Muestra los octantes
horarios
en
donde
existen
actividades
delictivas comunes al
espacio-tiempos
seleccionado
(7)
Muestra los octantes
horarios
característicos
de
cada
familia
delictiva
en
el
espacio-tiempo
(6)
Muestra la cantidad
de delitos ocurridos
en el espacio-tiempo
seleccionado
de
manera real
Capítulo Seis
Desarrollo de Aplicación
Figura 19. Parámetros de entrada y salida del módulo de predicción delictiva.
83
Capítulo Seis
Desarrollo de Aplicación
6.3.4. Requerimientos de implementación de la aplicación
El objetivo de la presente tesis no considera las cuestiones técnicas de implementación de la
aplicación informática tales como: Seguridad, número de posibles usuarios recurrentes, red,
etc. Sin embargo, plantea las características mínimas que deben tener de los equipos que
integran los dos sub-sistemas propuestos en el presente capitulo.
Servidor
 Conexión a Internet o en su caso una intranet de preferencia de banda ancha.
 Un equipo de cómputo con características mínimas para soportar el manejo de
Internet:

CPU (Procesador Pentium IV o superior)

Memoria RAM 1 GB

Disco Duro de 250 GB

Puertos USB

Monitor

Teclado

Mouse

Software: Windows Xp en adelante, Office 2003 en adelante.
Clientes
 Conexión a Internet o en su caso una intranet de preferencia de banda ancha.
 Un equipo de cómputo con características mínimas para soportar el manejo de
Internet:

CPU Procesador Pentium IV o superior

Memoria RAM 256 MB

Disco Duro de 40 GB

Puertos USB

Mouse

Monitor

Teclado

Software: Windows Xp en adelante, Office 2003 en adelante.
84
CAPÍTULO SIETE
Conclusiones y trabajo futuro.
Se detallan las conclusiones obtenidas de los resultados observados en la aplicación de la
metodología de análisis y predicción delictiva propuesta.
85
Capítulo Siete
Conclusiones y trabajo futuro
7.1 Conclusiones.
Difícil resulta la tarea de formular conclusiones acerca de una investigación que abarca
aspectos que son estudiados desde tan diversos ángulos y perspectivas y que abre tan
numerosas rutas para cuestiones de investigación y aplicación. Más aún si se reconoce que
los efectos de la investigación en cuestión no resultan evidentes de manera inmediata o
siquiera en el corto plazo. Es claro que el impacto de las propuestas presentadas en este
trabajo sólo podrá juzgarse con el tiempo, cuando se hayan puesto a prueba en el entorno
para el que fueron diseñadas. Cuando ese momento llegue, seguramente habrán todas ellas
sido enriquecidas por el trabajo e investigación de diferentes miembros de la comunidad, y
muchos de sus conceptos, fundamentos y especificaciones habrán sido revisados,
corregidos o simplemente refinados. Por lo pronto, el único curso de acción factible es
presentar las diversas reflexiones que surgen del estudio objetivo sobre cada uno de los
tópicos abordados en este trabajo.
El estudio realizado sobre los patrones delictivos observados en la ciudad de Sacramento,
California, en los E.U.A., y su contextualización en el campo del Análisis y Predicción
Delictiva, han sido orientados, en todo momento, por el afán de aportar una guía en la toma
de decisiones operativas y estratégicas sobre seguridad pública. Resulta claro que los logros
de este trabajo no son, ni pretenden ser, suficientes para modificar de forma rápida y
drástica la situación delictiva de nuestro país. Sin embargo, también resulta evidente que las
propuestas de esta investigación pueden constituirse en importantes aportaciones que abran
brecha en el largo camino de volver más eficaces y eficientes a los cuerpos de prevención
delictiva. Las metodologías propuestas en este trabajo resultan logros muy modestos al ser
comparados con las posibilidades de estudio e investigación que se han abierto. Ahora, para
finalizar, se evaluarán las bondades y limitaciones de los conceptos planteados y se
resaltarán aquellos aspectos que llaman a estudios más profundos desde nuevas
perspectivas, o bien, a cambios sustanciales en la concepción y dinámica cotidiana de las
fuerzas de seguridad pública.
Con base en lo resultados obtenidos de la experimentación realizada es posible llegar a las
siguientes conclusiones acerca de las metodologías propuestas:
1. La metodología para el análisis y predicción delictiva posibilita la formación de una
visión global de la situación delictiva. Esta investigación logró aportar una nueva
forma de estudiar el comportamiento delictivo, fuera del contexto estadístico, que
tradicionalmente se lleva a cabo, empleando para ello, modelos generados en un
enfoque de Reconocimiento de Patrones (el enfoque Lógico-Combinatorio) que ha
demostrado ser útil en el modelado de diversos problemas de tipo social para los
que no se cuenta con una formalización estricta o completa.
86
Capítulo Siete
Conclusiones y trabajo futuro
2. Los resultados obtenidos del Análisis Delictivo propuesto permite la determinación
de las familias delictivas que están ocurriendo de manera notable (característica y
no-característica) en una región de estudio. Asimismo, este análisis identifica las
unidades espacio-temporales donde es posible re-asignar recursos humanos y
materiales para la atención (prevención o investigación) de las familias delictivas
con mayor impacto en la sociedad.
3. Los experimentos realizados entregan resultados de predicción con un error mínimo
comparado con los otros métodos de series de tiempo examinados. De igual forma,
la metodología ha demostrado ser capaz de realizar predicciones aún cuando la
cantidad de hechos delictivos ocurridos, durante un periodo de tiempo, sean escasos.
De manera importante, la metodología de predicción propuesta en este trabajo
presenta una alta tolerancia a la disminución en el número de datos disponibles para
cada predicción, logrando obtener resultados muy cercanos a la realidad con sólo un
año de la muestra de supervisión.
4. La metodología para Análisis Delictivo cuenta con una característica muy
importante, permite, con base en la construcción de definiciones inductivas
positivas, establecer prioridades sobre las actividades delictivas que deberán ser
atendidas primero si se desea disminuir los índices delictivos de un Sector de
Vigilancia. Esta característica es de suma importancia, ya que la mayoría de los
planes de seguridad pública están orientados al nivel de Sector de Vigilancia. Esta
jerarquización en las prioridades de atención a familias delictivas no es considerado
por la mayoría de las técnicas de análisis delictivo. Estas técnicas analizan cada
actividad delictiva de manera independiente, sin considerar otras familias delictivas.
Por otra parte, estas técnicas tampoco consideran la división política o
administrativa del espacio geográfico estudiado, situación que limita seriamente su
capacidad para sugerir la asignación de tareas especificas en materia de seguridad
pública a cada jefe de Sector de Vigilancia.
5. La metodología propuesta es original, desarrollada en México y aportan una visión
nueva sobre análisis y predicción delictiva.
6. El trabajo conjunto con el sector académico puede cambiar significativamente el
proceso de combate y prevención de la delincuencia.
87
Capítulo Siete
Conclusiones y trabajo futuro
7.2 Aportaciones
A continuación se muestra, en la Tabla 16, las principales modificaciones realizadas a dos
algoritmos clásicos de aprendizaje empleados por las familias KORA y Conjuntos
Representantes.
Tabla 16 Aportaciones realizadas a dos algoritmos clásicos de aprendizaje.
Paso
Metodología
Propuesta
Se
incluye
el
concepto de Índice
de Ocurrencia.
Algoritmo CR
Observaciones
Este índice permite determinar la proporción
de ocurrencia, de cada propiedad, dentro de
cada una de las clases en la muestra de
supervisión.
El Algoritmo CR ocupa un concepto de
caracterización estricta, es decir, para que una
propiedad sea característica debe ocurrir
Caracterización
Positiva
Dos umbrales
1
1
y

Un solo umbral 1
veces o más en la clase caracterizada y
1
1
veces en todas las demás clases.
Por otra parte, la metodología propuesta en
este trabajo solo requiere que el Índice de
Ocurrencia de la propiedad sea mayor a
Para el
Algoritmo CR
2 es
1.
el número
máximo de ocurrencia de la propiedad en una
clase y
Caracterización
Negativa
Dos umbrales
 2
2
y
Dos umbrales
2
2 y
 2
es el número mínimo de
ocurrencia de la propiedad en las otras clases.
En la metodología propuesta
2 es el valor
máximo del Índice de Ocurrencia de una
propiedad y
2
establece el porcentaje de
clases en la muestra, distintas a la que se
analiza, en las cuales debe ocurrir la
propiedad a fin de ser considerada negativa.
es el número
Para el Algoritmo CR

mínimo de ocurrencia de la propiedad en
todas las clases de la muestra de supervisión.
Caracterización
Neutra
Un umbral

Dos umbrales
y
3
3
En la metodología propuesta
3 es el valor
mínimo del cociente entre Índice de
Ocurrencia de la propiedad y el máximo de
dicho índice en todas las clases.
3
es el
porcentaje mínimo de clases, en las cuales
debe ocurrir la propiedad a fin de ser
considerada neutra.
Para el caso del Algoritmo KORA-Ω, durante la etapa de aprendizaje encuentra todos
aquellos rasgos complejos característicos de cada clase, este paso es similar al que realiza el
algoritmo CR durante la construcción de definiciones inductivas positivas. Es por esta
razón que las modificaciones presentadas por la metodología propuesta también son
88
Capítulo Siete
Conclusiones y trabajo futuro
aplicables en la etapa de aprendizaje del algoritmo KORA-Ω, aunque en este algoritmo no
existe la construcción de definiciones negativas ni neutras.
7.3 Trabajo futuro
El presente proyecto constituye solo un paso inicial dentro de una nueva forma de realizar
Análisis y Predicción Delictiva. A pesar de ello, tiene una estructura secuencial que inicia
con la determinación de aquellos espacio-tiempos que son afectados por ciertas actividades
delictivas de manera notable (característica y no-característica), espacio-tiempos de donde
es posible extraer recursos humanos y materiales y, finalmente aquellos espacio-tiempos
donde se presentan la mayoría de las familias delictivas.
Sin embargo, las
recomendaciones de cómo se deben de distribuir los recursos policiacos a fin de reducir el
índice delictivo es los espacio-tiempos señalados no es un problema sencillo, es necesario
considerar aspectos relacionados con los estados de fuerza policiales, los cuales nos
indican la cantidad de recursos de que se disponen (número de policías, armamento,
patrullas, etc.) para hacerle frente a la delincuencia.
Tomando en cuenta lo anterior, se propone como trabajo futuro lo siguiente:

Desarrollo de una metodología que con base en los resultados obtenidos del
Análisis y Predicción Delictiva, haga una asignación optima de los recursos
humanos y materiales de que disponga un cuerpo policiaco, con el objetivo de
cubrir los espacio-tiempos de mayor incidencia delictiva.

Esta metodología deberá además de considerar aspectos relacionados con la
planeación de rutas de vigilancia que permitan que todos los espacio-tiempos
determinados en el Análisis Delictivo sean cubiertos por patrullas con el mínimo de
recursos y tiempo.
89
Referencias bibliográficas
[Arango, 2003]
[Arango-Lara, 2006 ]
[Arango-Lara, 2008(2)]
[ Bishop, 2006 ]
[ Bongard, 66 ]
[Cheremesina-Shulcloper, 92]
[ Clarke-Eck, 2002]
[Chatfiel, 00]
[Coparmex, 2002 ]
[De la vega-Shulcloper, 98]
[Devroye-Lugosi, 96]
[Dimitriev-ZhuravlevKendrelev, 66]
[Duda-Hart, 73]
Arturo Arango Durán
Información confiable: Los problemas de la información estadística
Instituto Nacional de Ciencias Penales, 2003.
Arturo Arango Durán y Cristina Lara Medina
La Eficiencia del Sistema de Justicia
Investigadores del Instituto Ciudadano de Estudios Sobre la
Inseguridad A. C. ICESI, 2004.
Arturo Arango Durán y Cristina Lara Medina
Respuesta Gubernamental Frente al Delito
Investigadores del Instituto Ciudadano de Estudios Sobre la
Inseguridad A. C. ICESI.
Publicado en el libro: Schutte Fernando (Coord), Una propuesta
ciudadana en materia de Seguridad Pública, 2006.
Christopher M. Bishop
Pattern Recognition and Machine Learning
Springer, 2006.
Bongard M. N.
Pattern Recognition
Spartan Books, New York-Washington, USA, 1966.
Cheremesina N. E., Ruiz Shulcloper J
Cuestiones Metodológicas de la Aplicación de Modelos Matemáticos
de Reconocimiento de Patrones en Zonas del Conocimiento poco
Formalizadas
Revista Ciencias Matemáticas, XIII(2), La Habana, CUBA, 1992
Ronald V. Clarke & John E. Eck, 2002.
Análisis Delictivo para la Resolución de Problemas en 60 Pequeños
Pasos
Office of Community Oriented Policing Services, U.S. Department of
Justice
Traducción al español por: Arturo Arango Durán y Juan Pablo Arango
Orozco.
Chatfield Chris
Time series Forecasting
Chapman & Hall/CRC, 2000
Centro de Estudios Económicos del Sector Privado
La Inseguridad Pública en México
Coparmex, 2002.
De la Vega L., Carrasco Ochoa, Riuz-Shulcloper J.
Fuzzy Kora-Ω Algorithm.
6th European Congress on Intelligent Techniques and Soft
Computing, Pág. 90, 1190-1194. Vol. Vol. 2, 1998.
Devroye L., Gyöffi L., Lugosi, G.
A Probabilistic Theory of Pattern Recognition
Springer-Verlag, New York, USA, 1996.
Dimitriev N.A., Y.I. Zhuravlev, F.P. Kendrelev
Acerca de los Principios Matemáticos de la Clasificación de Objetos y
Fenómenos
Sbornik Diskretnii Análisis, 7, Novosibirsk, RUSIA, 1996
Duda O.R., Hart E., Peter, Stork, G. Davis
Pattern Classification and Scene Analysis
Hohn Wiley and Sons, USA, 1973
90
[Fu, 82]
[Fukugama, 72]
[Goldfarb, 85]
[González-Thomason, 78]
[ Gottlieb-Arenberg-Singh,
1994 ]
[Haykin, 99]
[Hanke, 08]
[Haag- Cummings- Phillips,
2000]
[I.C.E.S.I.,2008]
[Janacek, 2001]
[Lind, Marchal, Wathen, 08]
[López Reyes, 81]
[Manzanera, 1993 ]
[Marques de Sá, 01]
[Martínez-Trinidad,GuzmánArenas, 01]
[ Mena, 2003 ]
[Montiel, 1997]
[Moreno, Armengol, Béjar, 94]
Fu K. S.
Syntactic Pattern Recognition and Applications
Prentice Hall, Englewood Cliffs, USA, 1972
Fukugama Keinosuke
Introduction to Statistical Pattern Recognition
Academic Press, Inc. New York, USA, 1972
Goldfarb Lev
A New Approach in Pattern Recognition
Ed. L. Kanal, A. Rosenfeld. Vol. II, 1985
González C. Rafael, Thomason G. Michael.
Syntactic Pattern Recognition: An Introduction
Addison-Wesley, 1978
Gottlieb, S.L. Arenberg, S. & Singh, R.
Crime Analysis From First Report to Final Arrest.
Alpha Publishing, Montclair, CA. USA, 1994.
Haykin Simons
Neural Networks: A Comprehensive Foundation.
Prentice Hall, 1999
Hanke E. John
Pronóstico en los negocios
Pearson Education, 6/a Edición, 2008
Haag Stephen, Cummings Maeve, Phillips Amy
Management Information Systems: For The Information Age.
McGraw-Hill, 2000.
Instituto Ciudadano de estudios sobre inseguridad pública A.C.
Generación de información en seguridad pública.
2008.
Janacek Gareth
Practical Time Series
Arnold Text in Statistics, 2001
Lind Douglas, Marchal William, Wathen Samuel
Estadística aplicada a los negocios y a la economía
McGrawHill , México, 2008
López-Reyes N. et al.
Un Sistema Para el Pronóstico a Corto Plazo de Tormentas
Ionosféricas
Reporte de invstigación ICIMAF-ACC, 76, La Habana , CUBA, 1981
Rodríguez Manzanera, Luis.
Criminología.
8ed. Porrúa, México, 1993.
Marques de Sá J.P.
Pattern Recognition. Concepts, Methods and application
Springer-Verlag, New York, USA, 2001.
Martínez Trinidad J.F., Guzmán Arenas A.
The Logical Combinatorial Approach to Pattern Recognition, an
overview
Pattern Recognition, Vol. 34, 2001
Jesús Mena
Investigative Data Mining for Security and Criminal Detection
Butterworth Heinemann, Elsevier, 2003.
Montiel Sosa
Criminalística Tomo I
Limusa Noriega Editores, México, 1997
Moreno A., Armengol E, Béjar Javier
Aprendizaje Automático
Ediciones Ups, 1994
91
[ Osborne-Wernicke , 2006 ]
[Pons-Shulcloper-Martínez
Trinidad, 02]
[Ramírez, Chimal, 07]
[Ronda, 1996]
[Shulcloper-Abidi, 02]
[Shulcloper, Guzmán-Arenas,
Martínez Trinidad, 99]
[Shulcloper-Lazo, 90]
[Shulcloper-Sánchez DíazAbidi, 02]
[Turban, 1995]
[Verde, 1993]
Osborne Deborah, Wernicke Susan.
Introduction to Criminal Analysis
2ed. Routledge, E.U.A, 2006.
Pons- Porrate A., Ruiz Shulcloper J., Martínez Trinidad J.
A New Conceptual Clustering Algorithm For Mixed Incomplete data
sets
Journal of Mathematical and Computer Modeling , 2002
Ramírez-Amaro K., Chimal-Eguía J.C.
On a New Approach to to Times Series Tracking.
Advance in computer Science and Engineering, eds. Torres S., López I.
and Calvo H., Research in Computer Science 27, pp 205-215, México
2007
Carlos C. Ronda
Métodos científicos de investigación aplicados al diseño de planes
de seguridad
Subcomisario de Policía del Neuquén, Argentina, 1996.
Ruiz Shulcloper J., Abidi Mongi A.
Logical Combinatorial Pattern Recognition: A Review
Recent Research Developments in Pattern Recognition,
Pub. Transword Research Networks, vol.3 pp 133-176, USA, 2002
Ruiz Shulcloper J., Guzmán-Arenas Adolfo, Martínez-Trinidad J.F.
Enfoque Lógico Combinatorio al Reconocimiento de Patrones I:
Selección de Variables y Clasificación Supervisada
IPN. Colección de Ciencias de la Computación, 1999
Ruiz Shulcloper J., Lazo Cortés Manuel
Modelos Matemáticos para el Reconocimiento de Patrones
Ed. UCLV, Cuba, 1990
Ruiz Shulcloper J., Sánchez-Díaz G., Abidi M.A.
Clustering in Mixed Incomplete Data
Heuristic & Optimization for Knowledge,
Discovery, Idea Group Publishing USA, 2002
Turban Efaim
Decision support and expert systems: management support systems.
Englewood Cliffs, N.J., Prentice Hall., 1995
Soria Verde, Miguel Ángel
La Víctima: entre la justicia y la delincuencia. Aspectos psicológicos,
sociales y jurídicos de la victimización.
Promociones y Publicaciones Universitarias, Barcelona, 1993.
Páginas de Internet
1. http://www.criminalistica.com.mx/index.php/criminologia
92